在均值教师中探索目标关系用于跨域检测
计算机视觉与模式识别
2019-12-30 v2
摘要
渲染合成数据（例如3D CAD渲染图像）以生成标注用于视觉任务中深度学习模型训练，近年来引起了越来越多的关注。然而，由于域偏移，直接将在合成图像上学习的模型应用于真实图像可能导致较高的泛化误差。为解决此问题，近期跨域识别的进展以均值教师（Mean Teacher）为特色，其将无监督域适应直接模拟为半监督学习。由此，在师生方案中通过一致性正则化自然地弥合了域差距。在本工作中，我们推进这一均值教师范式以适用于跨域检测。具体而言，我们提出带有目标关系的均值教师（MTOR），其基于Faster R-CNN主干，通过将目标关系整合进师生模块间一致性代价的度量中，新颖地重塑了均值教师。在技术上，MTOR首先分别为教师和学生学习捕获区域对之间相似性的关系图。随后利用三种一致性正则化优化整体架构：1）区域级一致性以对齐师生之间的区域级预测，2）图间一致性用于匹配师生之间的图结构，以及3）图内一致性以增强学生图内同类区域之间的相似性。我们在Cityscapes、Foggy Cityscapes和SIM10k之间的迁移上进行了大量实验，与最先进方法相比报告了优越结果。更值得注意的是，我们在Syn2Real检测数据集上获得了单模型的新纪录：22.8%的mAP。
引用
@article{arxiv.1904.11245,
title = {Exploring Object Relation in Mean Teacher for Cross-Domain Detection},
author = {Qi Cai and Yingwei Pan and Chong-Wah Ngo and Xinmei Tian and Lingyu Duan and Ting Yao},
journal= {arXiv preprint arXiv:1904.11245},
year = {2019}
}
备注
CVPR 2019; The codes and model of our MTOR are publicly available at: https://github.com/caiqi/mean-teacher-cross-domain-detection