自引导自适应：面向域自适应目标检测的渐进表示对齐
计算机视觉与模式识别
2020-03-24 v2
摘要
无监督域自适应（UDA）在提升目标检测模型的跨域鲁棒性方面取得了前所未有的成功。然而，现有 UDA 方法在很大程度上忽略了模型学习过程中的瞬时数据分布，在较大域偏移下这可能使特徵表示退化。本工作中，我们提出一种自引导自适应（SGA）模型，旨在对齐特徵表示并跨域迁移目标检测模型，同时考虑瞬时对齐难度。SGA 的核心是在核空间中为指示域距离的样本对计算“难度”因子。借助该难度因子，所提 SGA 自适应地指示样本重要性并为其分配不同约束。在难度因子指示下，自引导渐进采样（SPS）以“由易到难”的方式在模型自适应过程中实施。利用多阶段卷积特徵，SGA 被进一步聚合以充分对齐检测模型的层次化表示。在常用基准上的大量实验表明，SGA 以显著幅度改进了最先进（SOTA）方法，同时在大域偏移下展现出有效性。
引用
@article{arxiv.2003.08777,
title = {Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection},
author = {Zongxian Li and Qixiang Ye and Chong Zhang and Jingjing Liu and Shijian Lu and Yonghong Tian},
journal= {arXiv preprint arXiv:2003.08777},
year = {2020}
}