基于实例级时序循环混淆的鲁棒目标检测
计算机视觉与模式识别
2021-08-24 v2
摘要
构建对域偏移（如上下文、视角和物体外观的各种变化）具有鲁棒性的可靠目标检测器，对实际应用至关重要。在本工作中，我们研究了辅助自监督任务在提升目标检测器分布外泛化能力方面的有效性。受最大熵原理启发，我们提出了一种新颖的自监督任务——实例级时序循环混淆（CycConf），该任务作用于目标检测器的区域特征上。对于每个物体，该任务是在视频相邻帧中寻找差异最大的物体提议，再循环回自身以进行自监督。CycConf鼓励目标检测器在各种运动下探索跨实例的不变结构，从而在测试时 unseen 域中提升模型鲁棒性。我们在大规模视频数据集（BDD100K 和 Waymo open data）上将目标检测器与自监督任务联合训练时，观察到一致的域外性能提升。该联合训练框架还在标准无监督域自适应检测基准（Cityscapes、Foggy Cityscapes 和 Sim10K）上建立了新的 SOTA。代码与模型见 https://github.com/xinw1012/cycle-confusion。
引用
@article{arxiv.2104.08381,
title = {Robust Object Detection via Instance-Level Temporal Cycle Confusion},
author = {Xin Wang and Thomas E. Huang and Benlin Liu and Fisher Yu and Xiaolong Wang and Joseph E. Gonzalez and Trevor Darrell},
journal= {arXiv preprint arXiv:2104.08381},
year = {2021}
}
备注
ICCV 2021