集成多尺度域自适应YOLO
计算机视觉与模式识别
2023-04-12 v3
摘要
域适应领域在解决许多应用所遇到的域偏移问题中发挥了重要作用。该问题源于训练所用源数据分布与真实测试场景中目标数据分布之间的差异。本文提出一种新颖的多尺度域自适应YOLO（MS-DAYOLO）框架，其在近期提出的YOLOv4目标检测器的不同尺度上采用多条域适应路径及相应的域分类器。基于我们的多尺度DAYOLO基线框架，我们引入三种新颖的深度学习架构用于生成域不变特征的域适应网络（DAN）：具体而言，我们提出渐进式特征缩减（PFR）、统一分类器（UC）以及一种集成架构。我们使用流行数据集结合YOLOv4训练并测试所提出的DAN架构。实验表明，采用所提MS-DAYOLO架构训练YOLOv4并在自动驾驶应用的目标数据上测试时，目标检测性能显著提升。此外，MS-DAYOLO框架相对于Faster R-CNN方案实现了数量级的实时速度提升，同时提供相当的目标检测性能。
引用
@article{arxiv.2202.03527,
title = {Integrated Multiscale Domain Adaptive YOLO},
author = {Mazin Hnewa and Hayder Radha},
journal= {arXiv preprint arXiv:2202.03527},
year = {2023}
}
备注
This paper is a significantly expanded version of our 2021 ICIP paper arXiv:2106.01483 and includes new tools and architectures for improving the original MS-DAYOLO framework