面向开放世界无偏检测器的提案级无监督域自适应
计算机视觉与模式识别
2023-11-07 v1
摘要
开放世界目标检测（OWOD）将开放集目标检测与增量学习能力相结合，以应对开放且动态的视觉世界带来的挑战。现有工作假设在已见类别上训练的前景预测器可通过选取前k个最置信的前景预测直接迁移以识别未见类别的位置。然而，该假设在实践中很难成立。这是因为预测器不可避免地偏向于已知类别，并且在未见类别外观发生变化时失效。在本工作中，我们旨在通过无监督域自适应（UDA）重新形式化该任务来构建无偏前景预测器，其中当前有偏预测器帮助形成域：将已见目标位置与高置信背景位置作为源域，其余模糊位置作为目标域。随后，我们采用简单有效的自训练方法，基于域不变前景特征学习预测器，从而实现对抗已见与未见类别间外观偏移的鲁棒无偏预测。我们的方法流程可适配多种检测框架与UDA方法，并通过OWOD评测得到实证验证，取得了最先进的性能。
引用
@article{arxiv.2311.02342,
title = {Proposal-Level Unsupervised Domain Adaptation for Open World Unbiased Detector},
author = {Xuanyi Liu and Zhongqi Yue and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:2311.02342},
year = {2023}
}