基于视觉提示辅助的云端模型更新高质量伪标签生成
计算机视觉与模式识别
2025-04-02 v1 人工智能
摘要
在云端生成高质量伪标签对于云边目标检测至关重要，尤其是数据分布动态演变的交通监控场景中。现有方法常假设可靠的云端模型，忽视潜在错误或难以应对复杂的分布迁移。本文提出了云自适应高质量伪标签生成方法(CA-HQP)，通过纳入可学习的视觉提示生成器(VPG)和双重特征对齐来解决上述局限性。VPG 通过注入视觉提示实现参数高效适应，增强灵活性而无需大量微调。CA-HQP 通过两种特征对齐技术缓解域间差异：全局域查询特征对齐(DQFA) 捕获场景层面的迁移，细粒度时序实例感知特征嵌入对齐(TIAFA) 处理实例变体。在贝尔维尔交通数据集上的实验表明，CA-HQP 显著优于现有方法生成更高质量的伪标签，导致边缘模型获得显著性能提升，彰显了 CA-HQP 的适应性效果。消融研究验证了每个组件(DQFA、TIAFA、VPG)以及组合对齐策略的协同作用，凸显了针对动态场景中鲁棒目标检测的自适应云端更新和域适应的重要性。CA-HQP 为增强现实应用中的云边目标检测系统提供了有前景的解决方案。
引用
@article{arxiv.2504.00526,
title = {High-Quality Pseudo-Label Generation Based on Visual Prompt Assisted Cloud Model Update},
author = {Xinrun Xu and Qiuhong Zhang and Jianwen Yang and Zhanbiao Lian and Jin Yan and Zhiming Ding and Shan Jiang},
journal= {arXiv preprint arXiv:2504.00526},
year = {2025}
}
备注
IJCNN'25