PIT：用于跨视场域适应的位置不变变换
计算机视觉与模式识别
2022-11-28 v1
摘要
近年来，跨域目标检测与语义分割取得了令人瞩目的进展。现有方法主要考虑由外部环境（包括背景、光照或天气的变化）引起的域偏移，而不同域中普遍存在的相机内参差异及其对域适应的影响却极少被探索。在本文中，我们观察到视场（FoV）差距会导致源域与目标域之间明显的实例外观差异。我们进一步发现，两域之间的 FoV 差距在 FoV 增大（源 FoV < 目标 FoV）和 FoV 减小两种情况下均会损害域适应性能。受上述观察启发，我们提出\textbf{位置不变变换}（PIT）以更好地对齐不同域中的图像。我们还引入了一种反向 PIT，用于将变换后/对齐的图像映射回原始图像空间，并设计了一种损失重加权策略以加速训练过程。我们的方法可以轻松插入现有的跨域检测/分割框架中，同时带来可忽略的计算开销。大量实验表明，我们的方法能切实提升最先进技术在跨域目标检测与分割上的性能。我们的代码已发布于 https://github.com/sheepooo/PIT-Position-Invariant-Transform。
引用
@article{arxiv.2108.07142,
title = {PIT: Position-Invariant Transform for Cross-FoV Domain Adaptation},
author = {Qiqi Gu and Qianyu Zhou and Minghao Xu and Zhengyang Feng and Guangliang Cheng and Xuequan Lu and Jianping Shi and Lizhuang Ma},
journal= {arXiv preprint arXiv:2108.07142},
year = {2022}
}
备注
Accepted to ICCV 2021. Code is available at https://github.com/sheepooo/PIT-Position-Invariant-Transform