MILA：基于记忆的实例级自适应用于跨域目标检测
计算机视觉与模式识别
2023-09-06 v1
摘要
跨域目标检测具有挑战性，其涉及对齐有标注的源域与无标注的目标域。以往方法采用对抗训练在图像级与实例级对齐特征。在实例级，找到与目标样本对齐的合适源样本至关重要。若某源样本仅在与目标样本的领域上不同，而在朝向、颜色等不重要特性上无差异（这些差异会阻碍模型聚焦于对齐领域差异），则该源样本被视为合适。然而，现有实例级特征对齐方法因其搜索范围局限于小批量（mini-batch）内，难以找到合适源实例。小批量规模往往过小，并不总包含合适的源实例。当目标实例具有较同类内高方差时，小批量的多样性不足问题尤为突出。为解决该问题，我们提出一种基于记忆的实例级域自适应框架。我们的方法将目标实例与从记忆存储中检索到的同类别最相似源实例对齐。具体而言，我们引入一个记忆模块，按标签类别动态存储所有有标注源实例的池化特征。此外，我们引入一个简洁而有效的记忆检索模块，为目标实例检索一组匹配的记忆槽。我们在多种域偏移场景下的实验表明，本方法显著优于现有的非基于记忆的方法。
引用
@article{arxiv.2309.01086,
title = {MILA: Memory-Based Instance-Level Adaptation for Cross-Domain Object Detection},
author = {Onkar Krishna and Hiroki Ohashi and Saptarshi Sinha},
journal= {arXiv preprint arXiv:2309.01086},
year = {2023}
}