探索用于域自适应目标检测的分类正则化
计算机视觉与模式识别
2020-03-23 v1
摘要
在本文中,我们解决域自适应目标检测问题,其主要挑战在于源域和目标域之间存在显著的域差距。先前的工作力求直接对齐图像级和实例级偏移,以最终最小化域差异。然而,它们仍忽视了跨域匹配关键图像区域和重要实例,这将强烈影响域偏移的缓解。在这项工作中,我们提出一个简单而有效的分类正则化框架来缓解该问题。它可作为即插即用组件应用于一系列擅长处理域自适应检测的域自适应Faster R-CNN方法。具体而言,通过在检测骨干上集成一个图像级多标签分类器,得益于分类方式的弱定位能力,我们可以获得对应于分类信息的稀疏但关键的图像区域。同时,在实例级,我们利用图像级预测(由分类器给出)与实例级预测(由检测头给出)之间的分类一致性作为正则化因子,自动寻找目标域中难以对齐的实例。各种域偏移场景的大量实验表明,我们的方法相比原始域自适应Faster R-CNN检测器获得了显著的性能提升。此外,定性可视化和分析能够展示我们的方法关注面向域自适应的关键区域/实例的能力。我们的代码开源并可于\url{https://github.com/Megvii-Nanjing/CR-DA-DET}获取。
引用
@article{arxiv.2003.09152,
title = {Exploring Categorical Regularization for Domain Adaptive Object Detection},
author = {Chang-Dong Xu and Xing-Ran Zhao and Xin Jin and Xiu-Shen Wei},
journal= {arXiv preprint arXiv:2003.09152},
year = {2020}
}
备注
To appear in CVPR 2020. X.-S. Wei is the corresponding author