关系至关重要：面向域自适应目标检测的前景感知图基关系推理
计算机视觉与模式识别
2022-06-07 v1
摘要
域自适应目标检测（DAOD）致力于通过知识迁移提升目标检测器的泛化能力。近期 DAOD 的进展借助细粒度特征对齐方法，努力将自适应过程的重点从全局转向局部。然而，全局与局部对齐方法均未能捕捉不同前景目标之间的拓扑关系，因为跨域及域内显式的依赖与交互被忽视。在此情形下，仅寻求一对一对齐未必能保证精确的知识迁移。此外，由于目标域中不精确定位结果的累积，传统基于对齐的方法可能对于那些可迁移性较弱的区域（如背景）易受灾难性过拟合的影响。为弥补这些问题，我们首先将 DAOD 形式化为一个开集域自适应问题，其中前景与背景分别被视为“已知类”与“未知类”。相应地，我们提出一种新颖且通用的 DAOD 框架，称为前景感知图基关系推理（FGRR），其将图结构引入检测流程，以在像素与语义空间上显式建模域内与跨域的前景目标关系，从而赋予 DAOD 模型超越主流基于对齐范式的关系推理能力。跨域视觉与语义关联通过二部图结构分层建模，域内关系通过图注意力机制编码。实证结果表明，所提 FGRR 在四个 DAOD 基准上超越了当前最优性能。
引用
@article{arxiv.2206.02355,
title = {Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection},
author = {Chaoqi Chen and Jiongcheng Li and Hong-Yu Zhou and Xiaoguang Han and Yue Huang and Xinghao Ding and Yizhou Yu},
journal= {arXiv preprint arXiv:2206.02355},
year = {2022}
}
备注
Accepted by IEEE T-PAMI