面向YOLO目标检测的无源域适应
计算机视觉与模式识别
2024-09-26 v1 人工智能
机器学习
摘要
无源域适应(SFDA)是目标检测中的一个具有挑战性的问题，出于隐私和效率的考虑，预训练的源模型在不使用任何源域数据的情况下适应新的目标域。大多数最先进的目标检测SFDA方法是为Faster-RCNN提出的，这是一种已知具有高计算复杂度的检测器。本文关注真实世界视觉系统的域适应技术，特别是以快速基线和实际应用而闻名的YOLO系列单次检测器。我们提出的SFDA方法——无源YOLO(SF-YOLO)——依赖于一个师生框架，其中学生接收带有学习到的、目标域特定增强的图像，允许模型仅使用未标记的目标数据进行训练，并且不需要特征对齐。在没有标签的情况下使用平均教师架构进行自训练的一个挑战是，由于嘈杂或漂移的伪标签，准确性会迅速下降。为了解决这个问题，引入了一种教师到学生的通信机制，以帮助稳定训练并减少对用于模型选择的标注目标数据的依赖。尽管其方法简单，我们的方法在几个具有挑战性的基准数据集上与最先进的检测器具有竞争力，有时甚至优于使用源数据进行适应的方法。
引用
@article{arxiv.2409.16538,
title = {Source-Free Domain Adaptation for YOLO Object Detection},
author = {Simon Varailhon and Masih Aminbeidokhti and Marco Pedersoli and Eric Granger},
journal= {arXiv preprint arXiv:2409.16538},
year = {2024}
}
备注
ECCV 2024: European Conference on Computer Vision - Workshop on Out-of-Distribution Generalization in Computer Vision Foundation Models, Milan Italy