OMNIA Faster R-CNN：通过数据集合并与软蒸馏实现真实场景检测
计算机视觉与模式识别
2019-03-26 v2
摘要
目标检测器在新域或开放域中往往表现不佳，且需要来自全标注数据集的详尽而昂贵的标注。我们旨在利用多个具有不同类别但无需额外标注的数据集，不仅增加所检测类别的数量，还借助迁移学习并增强域独立性。我们的数据集合并流程始于在不同数据集上训练若干初始Faster R-CNN，同时将互补数据集的图像用于域适应。类似于自训练方法，这些初始检测器的预测缓解了互补数据集上标注缺失的问题。最终的OMNIA Faster R-CNN在所有类别上于由预测 enriched 的数据集并集上训练。联合训练以软监督方式通过一种称为SoftSig的新分类损失处理不安全目标。实验结果表明，对于真实场景中的时尚检测，将Modanet与COCO合并使最终mAP性能从45.5%提升至57.4%。将我们的软蒸馏应用于GTA与Cityscapes间具有域偏移的检测任务，能够以5.3个点超越state-of-the-art。我们的方法可在无需海量数据集的情况下解锁真实世界应用中的目标检测。
引用
@article{arxiv.1812.02611,
title = {OMNIA Faster R-CNN: Detection in the wild through dataset merging and soft distillation},
author = {Alexandre Rame and Emilien Garreau and Hedi Ben-Younes and Charles Ollion},
journal= {arXiv preprint arXiv:1812.02611},
year = {2019}
}
备注
9 pages, 5 figures, 4 tables