协调可迁移性与可判别性以适配目标检测器
计算机视觉与模式识别
2020-03-16 v1
摘要
自适应目标检测的最新进展借助对抗特征适配来缓解检测流水线中的分布偏移，取得了引人注目的结果。尽管对抗适配显著增强了特征表示的可迁移性，目标检测器的特征可判别性仍较少被研究。此外，在对抗适配中，鉴于物体间的复杂组合以及域间差异化的场景布局，可迁移性与可判别性可能相互矛盾。本文提出一种层次化可迁移性校准网络(HTCN)，在层次上(局部区域/图像/实例)校准特征表示的可迁移性，以协调可迁移性与可判别性。所提模型包含三个组件：(1) 带输入插值的加权对抗训练(IWAT-I)，通过重新加权插值后的图像级特征来强化全局可判别性；(2) 上下文感知实例级对齐(CILA)模块，通过捕捉实例级特征与全局上下文信息之间潜在的互补效应来增强局部可判别性，以实现实例级特征对齐；(3) 局部特征掩码，用于校准局部可迁移性，为后续的判别性模式对齐提供语义引导。实验结果表明，HTCN 在基准数据集上显著优于最先进的方法。
引用
@article{arxiv.2003.06297,
title = {Harmonizing Transferability and Discriminability for Adapting Object Detectors},
author = {Chaoqi Chen and Zebiao Zheng and Xinghao Ding and Yue Huang and Qi Dou},
journal= {arXiv preprint arXiv:2003.06297},
year = {2020}
}
备注
Accepted by CVPR 2020