SF-FSDA：基于高效标注数据工厂的无源少样本域自适应目标检测
计算机视觉与模式识别
2023-06-08 v1
摘要
域自适应目标检测旨在利用从有标注源域学到的知识来提升在无标注目标域上的性能。先前工作通常需访问源域数据以进行自适应，且目标域需有充足数据。然而，由于数据隐私与数据收集困难，这些假设可能不成立。本文提出并研究了一种更实际且更具挑战性的、处于无源与少样本双重条件下的域自适应目标检测问题，命名为 SF-FSDA。为克服该问题，我们开发了基于高效标注数据工厂的方法。在无源域访问的情况下，该数据工厂生成 i) 在少样本图像样本及目标域文本描述引导下、无限量的类目标域合成图像；ii) 相应的边界框与类别标注，仅需最小人工成本，即少量手动标注样例。一方面，合成图像缓解了少样本条件带来的知识不足。另一方面，相较于流行的伪标签技术，数据工厂生成的标注不仅摆脱了对源预训练目标检测模型的依赖，也减轻了因域偏移与无源条件而不可避免的伪标签噪声。所生成数据集被进一步用于自适应源预训练目标检测模型，实现 SF-FSDA 下的鲁棒目标检测。不同设定下的实验表明，我们提出的方法在 SF-FSDA 问题上优于其他最先进方法。我们的代码与模型将公开可用。
引用
@article{arxiv.2306.04385,
title = {SF-FSDA: Source-Free Few-Shot Domain Adaptive Object Detection with Efficient Labeled Data Factory},
author = {Han Sun and Rui Gong and Konrad Schindler and Luc Van Gool},
journal= {arXiv preprint arXiv:2306.04385},
year = {2023}
}