利用弱监督域自适应学习级联检测任务
计算机视觉与模式识别
2021-07-12 v1
摘要
为应对自动驾驶的挑战，深度学习已被证明在解决日益复杂的任务（如3D检测或实例分割）中至关重要。基于图像的检测任务的最先进方法通过级联方式处理这种复杂性：它们首先提取2D边界框，并基于此推断额外属性（例如实例掩码）。尽管这些方法表现良好，一个关键挑战仍然是针对不断增长的各种任务缺乏准确且廉价的标注。合成数据提供了一种有前景的解决方案，但尽管在域自适应研究上付出了努力，合成数据与真实数据之间的差距仍是一个开放问题。在本工作中，我们提出一种弱监督域自适应设定，其利用了级联检测任务的结构。具体而言，我们学习仅从源域推断属性，同时利用两个域中的2D边界框作为弱标签来解释域偏移。我们进一步通过利用真实类别信息（在无监督设定中不可用）进行类别级特征对齐，以鼓励域不变特征。正如我们的实验所展示的，该方法在与全监督设定竞争的同时，大幅优于无监督自适应方法。
引用
@article{arxiv.2107.04523,
title = {Learning Cascaded Detection Tasks with Weakly-Supervised Domain Adaptation},
author = {Niklas Hanselmann and Nick Schneider and Benedikt Ortelt and Andreas Geiger},
journal= {arXiv preprint arXiv:2107.04523},
year = {2021}
}
备注
Accepted to IEEE IV 2021