增强跨域检测：自适应类感知对比 Transformer
计算机视觉与模式识别
2024-01-25 v1
摘要
近期，检测 Transformer 因其固有的极低后处理需求而受到广泛关注。然而，该范式依赖于大量训练数据，而在跨域自适应的背景下，目标域标签不足加剧了类别不平衡和模型性能退化问题。为了应对这些挑战，我们提出了一种基于对抗学习和均值教师框架的新型类感知跨域检测 Transformer。首先，考虑到分类与回归任务之间的不一致性，我们引入了 IoU 感知预测分支，并利用分类与定位分数的一致性来过滤和重新加权伪标签。其次，我们设计了动态类别阈值细化机制，以自适应地管理模型置信度。第三，为了缓解类别不平衡问题，提出了一个实例级类感知对比学习模块，以鼓励为每个类别生成具有判别性的特征，尤其有利于少数类。在多种域自适应场景下的实验结果验证了本方法在提升性能和缓解类别不平衡问题上的有效性，其表现优于基于 Transformer 的 state-of-the-art 方法。
引用
@article{arxiv.2401.13264,
title = {Enhancing cross-domain detection: adaptive class-aware contrastive transformer},
author = {Ziru Zeng and Yue Ding and Hongtao Lu},
journal= {arXiv preprint arXiv:2401.13264},
year = {2024}
}
备注
Acceptd by Icassp 2024