周期性交换师生用于无源目标检测
计算机视觉与模式识别
2023-11-27 v1
摘要
无源目标检测（SFOD）旨在源域数据缺失时，将源检测器自适应到无标签目标域数据。多数SFOD方法遵循相同的基于均值教师（MT）框架的自训练范式，其中学生模型仅由单一教师模型引导。然而，该范式易陷入训练不稳定问题：当教师模型因域偏移不可控地崩溃时，学生模型也遭受严重性能退化。为解决此问题，我们提出周期性交换师生（PETS）方法，一种简单而新颖的多教师框架，包含静态教师、动态教师与学生模型。在训练阶段，我们周期性交换静态教师与学生模型的权重。然后，我们用已被静态教师交换过的学生模型的滑动平均来更新动态教师。如此，动态教师能整合过去周期的知识，有效减少误差累积，并在基于MT的框架内实现更稳定的训练过程。进一步，我们提出一种共识机制融合两个教师模型的预测，为学生模型提供更高质量的伪标签。在多个SFOD基准上的大量实验表明，所提方法相较其他相关方法达到最先进性能，证明了我们的方法在SFOD任务上的有效性与优越性。
引用
@article{arxiv.2311.13930,
title = {Periodically Exchange Teacher-Student for Source-Free Object Detection},
author = {Qipeng Liu and Luojun Lin and Zhifeng Shen and Zhifeng Yang},
journal= {arXiv preprint arXiv:2311.13930},
year = {2023}
}
备注
ICCV 2023