使用掩码池化缓解目标检测域适应中的上下文偏差
计算机视觉与模式识别
2025-05-27 v1 人工智能
摘要
上下文偏差是指目标检测训练过程中前景对象与背景之间的关联。针对将训练好的模型应用于未见过的域时所采用的目标检测域适应(DAOD)，已有多种方法被提出用于最小化上下文偏差。然而，一个用于理解上下文偏差为何发生以及如何消除它的原则性方法一直缺失。在本工作中，我们提供了上下文偏差的因果视角，指出卷积网络架构中的池化操作是产生这种偏差的可能来源。我们提出了一种替代方法——掩码池化，它使用额外的前景掩码输入，将池化过程分别在前景和背景区域中分离，并表明这一过程使训练好的模型在不同域中以更鲁棒的方式检测对象。我们还提供了一个专为创建目标检测域适应的终极测试而设计的基准，使用绝对随机背景下的前景来分析所训练模型的鲁棒性。通过这些实验，我们希望为在域偏移下最小化上下文偏差提供一个原则性方法。
引用
@article{arxiv.2505.18446,
title = {Mitigating Context Bias in Domain Adaptation for Object Detection using Mask Pooling},
author = {Hojun Son and Asma Almutairi and Arpan Kusari},
journal= {arXiv preprint arXiv:2505.18446},
year = {2025}
}