学习域分类器库用于无监督自适应目标检测
计算机视觉与模式识别
2020-07-07 v1
摘要
在实际应用中，基于深度网络的目标检测器仍面临标注训练数据与未标注测试数据之间巨大域差距的挑战。为缩小差距，近期技术通过对齐源域与未标注目标域之间的图像/实例级特征被提出。然而，这些方法存在次优问题，主要因为忽略了目标实例的类别信息。为解决此问题，我们开发了一种细粒度域对齐方法，其带有一个精心设计的域分类器库，实现了尊重各类别的实例级对齐。具体而言，我们首先采用 mean teacher 范式未标注样本生成伪标签。然后我们实现类级域分类器并将其组合在一起，称为域分类器库，其中每个域分类器负责对齐特定类的特征。我们将基础目标检测器与所提出的细粒度域对齐机制组装为自适应检测器，并用所开发的跨自适应加权机制优化它。在三个流行的迁移基准上的大量实验证明了我们方法的有效性，并取得了新的显著 SOTA。
引用
@article{arxiv.2007.02595,
title = {Learning a Domain Classifier Bank for Unsupervised Adaptive Object Detection},
author = {Sanli Tang and Zhanzhan Cheng and Shiliang Pu and Dashan Guo and Yi Niu and Fei Wu},
journal= {arXiv preprint arXiv:2007.02595},
year = {2020}
}