SCL：基于梯度解耦的堆叠互补损失实现精准域自适应目标检测
计算机视觉与模式识别
2019-11-22 v3 机器学习
摘要
无监督域自适应目标检测旨在域偏移场景下学习鲁棒的检测器，其中训练（源）域具有边界框标注、标签丰富，而测试（目标）域无标签，且训练域与测试域之间的特征分布不同甚至完全不同。本文提出一种基于梯度解耦的堆叠互补损失（SCL）方法，该方法以检测损失为主要目标，并在不同网络阶段切入若干辅助损失，配合梯度解耦训练以学习更具判别性的表示。我们认为已有方法主要利用更多损失函数进行训练，却忽略了不同损失之间的相互作用以及兼容的训练策略（本文中的梯度解耦更新）。因此，我们所提方法是一种更具融合性的自适应学习过程。我们在七个数据集上进行了综合实验，结果表明我们的方法显著优于当前最先进（SOTA）方法。例如，从 Cityscapes 到 FoggyCityscapes，我们取得了 37.9% 的 mAP，比之前的 Strong-Weak 方法高出 3.6%。
引用
@article{arxiv.1911.02559,
title = {SCL: Towards Accurate Domain Adaptive Object Detection via Gradient Detach Based Stacked Complementary Losses},
author = {Zhiqiang Shen and Harsh Maheshwari and Weichen Yao and Marios Savvides},
journal= {arXiv preprint arXiv:1911.02559},
year = {2019}
}