少样本自适应 Faster R-CNN
计算机视觉与模式识别
2019-03-25 v1
摘要
为缓解由域偏移引起的检测性能下降，我们旨在开发一种新颖的少样本自适应方法，该方法仅需少量带有限边界框标注的目标域图像。为此，我们首先观察到若干重大挑战。首先，目标域数据极度不足，使得大多数现有域适应方法失效。其次，目标检测涉及同时定位与分类，进一步使模型自适应过程复杂化。第三，模型面临过适应（类似于用少量数据样本训练时的过拟合）与不稳定风险，可能导致目标域中检测性能退化。为应对这些挑战，我们首先在源域与目标域特征间引入配对机制，以缓解目标域样本不足问题。随后我们提出一个双层模块将源域训练的检测器适配到目标域：1）基于分割池化的图像级自适应模块统一提取并对齐位于不同位置、具有不同尺度与长宽比的配对局部块特征；2）实例级自适应模块在语义上对齐配对目标特征，同时避免类间混淆。同时，应用源模型特征正则化（SMFR）来稳定两个模块的自适应过程。结合这些贡献得到一种新颖的少样本自适应 Faster-RCNN 框架，称为 FAFRCNN，其利用少量标注样本有效适配目标域。在多个数据集上的实验表明，我们的模型在感兴趣的少样本域适应（FDA）与无监督域适应（UDA）设定下均达到了新的 SOTA 性能。
引用
@article{arxiv.1903.09372,
title = {Few-shot Adaptive Faster R-CNN},
author = {Tao Wang and Xiaopeng Zhang and Li Yuan and Jiashi Feng},
journal= {arXiv preprint arXiv:1903.09372},
year = {2019}
}
备注
Accepted at CVPR 2019