面向无源域自适应目标检测的重细化伪标注方法
计算机视觉与模式识别
2023-03-08 v1
摘要
域自适应目标检测（DAOD）假设训练时同时有带标签的源域数据和未带标签的目标域数据可用，但这一假设在真实场景中并非总成立。因此，无源 DAOD 被提出以仅利用未带标签的目标域数据将源域训练的检测器适配到目标域。现有无源 DAOD 方法通常利用伪标注，其性能严重依赖于置信度阈值的选择。然而，多数先前工作对所有类别采用单一固定阈值生成伪标签，忽略了类别分布的不平衡，导致有偏的伪标签。本工作中，我们提出一种面向无源 DAOD 的重细化伪标注框架。首先，为生成无偏伪标签，我们提出类别感知自适应阈值估计模块，自适应地为每个类别提供合适阈值。其次，为缓解不正确的边界框回归，引入位置感知伪标签分配策略，将标签划分为确定与不确定两类并分别优化。最后，在四个自适应任务上的大量实验证明了方法的有效性。
引用
@article{arxiv.2303.03728,
title = {Refined Pseudo labeling for Source-free Domain Adaptive Object Detection},
author = {Siqi Zhang and Lu Zhang and Zhiyong Liu},
journal= {arXiv preprint arXiv:2303.03728},
year = {2023}
}
备注
Accepted to ICASSP 2023