I3Net：面向单阶段目标检测器自适应的隐式实例不变网络
计算机视觉与模式识别
2021-03-31 v2
摘要
近期关于两阶段跨域检测的工作广泛探索了局部特征模式以取得更精确的适配结果。这些方法严重依赖区域提议机制和基于 ROI 的实例级特征，来设计针对前景目标的细粒度特征对齐模块。然而，对于单阶段检测器，在检测流程中难以甚至无法获得显式的实例级特征。受此启发，我们提出一种隐式实例不变网络（I3Net），专为适配单阶段检测器而设计，并通过利用不同层深度特征的自然特性隐式地学习实例不变特征。具体而言，我们从三方面促进适配：(1) 动态与类别平衡重加权（DCBR）策略，考虑域内与类内变异的共存，为样本稀缺类别和易适配样本分配更大权重；(2) 类别感知目标模式匹配（COPM）模块，在类别信息引导下增强跨域前景目标匹配并抑制无信息背景特征；(3) 正则化联合类别对齐（RJCA）模块，以一致性正则化在不同域特定层联合强制类别对齐。实验表明，I3Net 在基准数据集上超越了最先进性能。
引用
@article{arxiv.2103.13757,
title = {I3Net: Implicit Instance-Invariant Network for Adapting One-Stage Object Detectors},
author = {Chaoqi Chen and Zebiao Zheng and Yue Huang and Xinghao Ding and Yizhou Yu},
journal= {arXiv preprint arXiv:2103.13757},
year = {2021}
}
备注
Accepted by CVPR 2021