SAILOR：通过潜在目标表征洞察缩放锚框
计算机视觉与模式识别
2022-10-18 v2
摘要
LiDAR 三维目标检测模型不可避免地偏向其训练数据集。当将该检测器用于目标数据集时，尤其在目标尺寸方面，明显表现出这种偏差。然而，由于例如不同的标注策略或地理位置，目标尺寸在域之间差异很大。最先进的无监督域适应方法借助外部手段来克服目标尺寸偏差。主流尺寸适应方法利用目标域统计信息，违背了最初的无监督假设。我们新颖的无监督锚框校准方法解决了这一局限。给定在源数据上训练的模型，我们以完全无监督的方式估计最优目标锚框。主要思想源于一个直观观察：通过改变目标域的锚框尺寸，我们不可避免地引入噪声甚至移除有价值的目标线索。受锚框尺寸扰动的潜在目标表征，仅在最优目标锚框下才最接近已学习的源特征。我们利用这一观察进行锚框尺寸优化。实验结果表明，无需任何重训练，即便与最先进的弱监督尺寸适应方法相比，我们也取得了有竞争力的结果。此外，我们的锚框校准可与此类现有方法结合，使其完全无监督。
引用
@article{arxiv.2210.07811,
title = {SAILOR: Scaling Anchors via Insights into Latent Object Representation},
author = {Dušan Malić and Christian Fruhwirth-Reisinger and Horst Possegger and Horst Bischof},
journal= {arXiv preprint arXiv:2210.07811},
year = {2022}
}
备注
WACV 2023; code is available at https://github.com/malicd/sailor