域偏移下形状一致的二维关键点估计
计算机视觉与模式识别
2020-08-05 v1
摘要
近期基于深度架构的无监督域自适应方法不仅在传统分类任务中，而且在涉及结构化预测（例如语义分割、深度估计）的更复杂问题中均展现出卓越性能。遵循这一趋势，本文提出一种新颖的深度自适应框架，用于在域偏移下估计关键点，即当训练（源）图像与测试（目标）图像在视觉外观上显著不同时。我们的方法无缝结合了三个不同组件：特征对齐、对抗训练与自监督。具体而言，我们的深度架构利用域特定分布对齐层在特征层级执行目标自适应。此外，提出了一种新颖损失，其结合了对抗项（以确保输出空间中预测的对齐）与几何一致性项（以保证目标样本与其扰动版本间一致的预测）。我们在三个公开基准上的广泛实验评估表明，我们的方法在二维关键点预测任务中优于最先进的域自适应方法。
引用
@article{arxiv.2008.01589,
title = {Shape Consistent 2D Keypoint Estimation under Domain Shift},
author = {Levi O. Vasconcelos and Massimiliano Mancini and Davide Boscaini and Samuel Rota Bulo and Barbara Caputo and Elisa Ricci},
journal= {arXiv preprint arXiv:2008.01589},
year = {2020}
}