基于概率教师的学习域自适应目标检测
计算机视觉与模式识别
2022-06-14 v1 人工智能
摘要
无监督域自适应目标检测的自训练是一项具有挑战性的任务，其性能严重依赖于伪框质量。尽管已有可喜结果，先前工作在很大程度上忽视了自训练过程中伪框的不确定性。本文提出一个简洁而有效的框架，称为概率教师（PT），旨在从逐步演化的教师模型中捕获无标签目标数据的不确定性，并以互利方式引导学生学习。具体而言，我们提出利用不确定性引导的一致性训练来促进分类自适应与定位自适应，而非通过精细的置信度阈值过滤伪框。此外，由于锚框可视为可学习参数，我们并行执行锚框自适应与定位自适应。结合该框架，我们还提出一种新颖的熵焦点损失（EFL）以进一步促进不确定性引导的自训练。配备 EFL 后，PT 大幅超越所有先前基线并达到新的最先进水平。
引用
@article{arxiv.2206.06293,
title = {Learning Domain Adaptive Object Detection with Probabilistic Teacher},
author = {Meilin Chen and Weijie Chen and Shicai Yang and Jie Song and Xinchao Wang and Lei Zhang and Yunfeng Yan and Donglian Qi and Yueting Zhuang and Di Xie and Shiliang Pu},
journal= {arXiv preprint arXiv:2206.06293},
year = {2022}
}
备注
To appear in ICML 2022. Code is coming soon: https://github.com/hikvision-research/ProbabilisticTeacher