OSSA：无监督单点样式适应
计算机视觉与模式识别
2024-10-02 v1
摘要
尽管在 various vision 任务中表现出色，深度神经网络架构在因样式差异导致的分布外场景下常表现不佳。为解决此限制，我们提出一种新颖的无监督域适应方法——单点样式适应（One-Shot Style Adaptation, OSSA），其针对目标检测任务，仅利用单张无标签目标图像来近似目标域样式。具体而言，OSSA 通过扰动从单张目标图像中推导出的样式统计信息，生成多样化的目标样式，然后通过自适应实例归一化（AdaIN）将这些样式应用于带标签的源数据集的特征层。实验表明，OSSA 在单点域适应方法中以显著优势实现了新的状态突破（SOTA），在某些情况下甚至超越了使用数千张无标签目标图像的强大基线。通过在包括天气、仿真到真实（sim2real）以及视觉到热成像等 various 场景中的应用，我们探讨了样式差距在这些情境中的广泛意义。OSSA 的简单性和高效性使其易于集成到现有框架中，为数据稀缺的实际应用提供了潜在可行方案。代码已公开于 https://github.com/RobinGerster7/OSSA
引用
@article{arxiv.2410.00900,
title = {OSSA: Unsupervised One-Shot Style Adaptation},
author = {Robin Gerster and Holger Caesar and Matthias Rapp and Alexander Wolpert and Michael Teutsch},
journal= {arXiv preprint arXiv:2410.00900},
year = {2024}
}