RPCL：一种利用辅助任务改进跨域检测的框架
计算机视觉与模式识别
2021-04-20 v1
摘要
跨域检测（XDD）旨在利用源域中有标注的图像训练目标检测器，而在仅含无标注图像的目标域上取得良好性能。现有方法或通过对齐两域的特征图或区域提议，或将源图像风格迁移至目标图像来实现这一目标。与先前工作不同，本文提供了一种互补方案，通过同时在两域中学习相同的辅助任务来对齐域。这些辅助任务将两域图像推向共享空间，从而弥合域间差距。具体而言，本文提出旋转预测与一致性学习（PRCL），这是一个通过利用这两个辅助任务来补充现有 XDD 方法的域对齐框架。第一个任务通过旋转图像并从提取的区域提议中预测旋转角度，鼓励模型从前景区域提取区域提议。第二个任务通过优化模型使区域提议的分类预测不受图像扰动影响，从而鼓励模型对图像空间中的变化具有鲁棒性。实验表明，将所提两个任务应用于现有 XDD 方法可一致且显著地提升检测性能。
引用
@article{arxiv.2104.08689,
title = {RPCL: A Framework for Improving Cross-Domain Detection with Auxiliary Tasks},
author = {Kai Li and Curtis Wigington and Chris Tensmeyer and Vlad I. Morariu and Handong Zhao and Varun Manjunatha and Nikolaos Barmpalios and Yun Fu},
journal= {arXiv preprint arXiv:2104.08689},
year = {2021}
}
备注
10 pages, 5 figures