基于跨域 CutMix 的少样本自适应目标检测
计算机视觉与模式识别
2022-09-01 v1 机器学习
摘要
在目标检测中，数据量与成本存在权衡，且在特定领域收集大量数据是劳动密集型的。因此，现有大规模数据集被用于预训练。然而，当目标域与源域差异显著时，传统的迁移学习与域适应无法弥合域鸿沟。我们提出一种能解决大域鸿沟问题的数据合成方法。该方法将目标图像的一部分粘贴到源图像上，并利用目标边界框信息对齐粘贴区域的位置。此外，我们引入对抗学习以判别区域是原始的还是粘贴的。所提方法在大量源图像与少量目标域图像上训练。在源域为 RGB 图像、目标域为热红外图像的极大差异域问题设定下，所提方法取得了高于传统方法的精度。类似地，在从仿真图像到真实图像的情况下，所提方法也取得了更高精度。
引用
@article{arxiv.2208.14586,
title = {Few-shot Adaptive Object Detection with Cross-Domain CutMix},
author = {Yuzuru Nakamura and Yasunori Ishii and Yuki Maruyama and Takayoshi Yamashita},
journal= {arXiv preprint arXiv:2208.14586},
year = {2022}
}
备注
Yuzuru Nakamura and Yasunori Ishii are equal contribution