用于无监督域自适应单阶段目标检测的弱自训练与对抗背景正则化
计算机视觉与模式识别
2019-09-04 v1
摘要
基于深度学习的目标检测器已显示出显著的改进。然而，当训练数据与测试数据分布不同时，基于监督学习的方法表现不佳。为解决该问题，域自适应将知识从标签充足的域（源域）转移到标签稀缺的域（目标域）。自训练是实现域自适应的有力方法之一，因为它有助于类级别的域自适应。遗憾的是，一种将伪标签作为真值使用的朴素方法会因不正确的伪标签而降低性能。本文中，我们引入了一种弱自训练（WST）方法和对抗背景分数正则化（BSR），用于域自适应单阶段目标检测。WST 减弱不准确伪标签的负面影响以稳定学习过程。BSR 帮助网络提取目标背景的判别性特征，从而减少域偏移。这两个组件互为补充：BSR 增强前景与背景的区分，而 WST 加强类级别的区分。实验结果表明，我们的方法有效提升了无监督域自适应设置下单体阶段目标检测的性能。
引用
@article{arxiv.1909.00597,
title = {Self-Training and Adversarial Background Regularization for Unsupervised Domain Adaptive One-Stage Object Detection},
author = {Seunghyeon Kim and Jaehoon Choi and Taekyung Kim and Changick Kim},
journal= {arXiv preprint arXiv:1909.00597},
year = {2019}
}
备注
ICCV 2019 (oral)