用于跨域目标检测的多级知识迁移
计算机视觉与模式识别
2021-08-04 v2 机器学习
摘要
域偏移是一个众所周知的问题：在特定域（源域）上训练的模型在暴露于来自不同域（目标域）的样本时表现不佳。能够适应域偏移的无监督方法非常受青睐，因为它们可在无需目标域额外标注训练数据的情况下有效利用源数据。实际上，从目标域获取足量标注数据既不可行又极其昂贵。本文中，我们解决目标检测任务中的域偏移问题。我们的方法依赖于逐步消除源域与目标域之间的域偏移。该方法的关键要素为——（a）在像素级将源域映射到目标域；（b）使用对抗特征对齐在映射后的源域和未标注目标域上训练教师网络；（c）最后利用教师网络得到的伪标签训练学生网络。在涉及域偏移的挑战性场景测试中，我们相较于多种近期最先进方法一致地获得了显著更大的性能提升。
引用
@article{arxiv.2108.00977,
title = {Multilevel Knowledge Transfer for Cross-Domain Object Detection},
author = {Botos Csaba and Xiaojuan Qi and Arslan Chaudhry and Puneet Dokania and Philip Torr},
journal= {arXiv preprint arXiv:2108.00977},
year = {2021}
}