单样本无监督跨域检测
计算机视觉与模式识别
2020-05-26 v1
摘要
尽管近年来目标检测取得了令人瞩目的进展，但跨视觉域可靠地检测目标仍是一个开放的挑战。虽然该课题近期已引起关注，但现有方法均依赖于在训练时能够获取大量目标域数据这一条件。这是一个很强的假设，因为通常无法预知检测器将被用于哪个域，也无法提前获取该域数据进行采集。例如，考虑监控社交媒体图像流的任务：每张图像均由不同用户创建和上传，因而属于不同的目标域，这在训练期间是无法预见的。本文针对这一场景，提出了一种目标检测算法，该算法仅使用在测试时见到的一个目标样本，即可跨域执行无监督自适应。我们通过引入一种多任务架构来实现这一点，该架构通过在任意传入样本上迭代求解一个自监督任务，对其进行单样本自适应。我们进一步利用跨任务伪标签增强了这种辅助自适应。针对最新跨域检测方法的全面基准分析以及详细的消融研究，展示了我们方法的优势，在所定义的单样本场景中设立了当前最优水平。
引用
@article{arxiv.2005.11610,
title = {One-Shot Unsupervised Cross-Domain Detection},
author = {Antonio D'Innocente and Francesco Cappio Borlino and Silvia Bucci and Barbara Caputo and Tatiana Tommasi},
journal= {arXiv preprint arXiv:2005.11610},
year = {2020}
}