面向域自适应目标检测的频率谱增强一致性
计算机视觉与模式识别
2022-11-15 v2 人工智能
摘要
域自适应目标检测（DAOD）旨在当训练与测试数据来自不同域时提升检测器的泛化能力。考虑到显著的域间隙，一些典型方法（如基于CycleGAN的方法）采用中间域逐步桥接源域与目标域。然而，基于CycleGAN的中间域缺乏用于目标检测的像素级或实例级监督，导致语义差异。为解决该问题，本文引入一种具有四种不同低频滤波操作的频率谱增强一致性（FSAC）框架。借此，我们可获得一系列增强数据作为中间域。具体而言，我们提出两阶段优化框架。第一阶段，利用所有原始与增强的源数据训练目标检测器。第二阶段，采用带伪标签的增强源数据与目标数据执行自训练以实现预测一致性。并使用经Mean Teacher优化的教师模型进一步修正伪标签。实验中，我们在单目标与复合目标DAOD上分别评估了方法，证明了方法的有效性。
引用
@article{arxiv.2112.08605,
title = {Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection},
author = {Rui Liu and Yahong Han and Yaowei Wang and Qi Tian},
journal= {arXiv preprint arXiv:2112.08605},
year = {2022}
}
备注
for further study