SRCD：基于复合域语义推理的单域泛化目标检测
计算机视觉与模式识别
2023-07-11 v2 机器学习
摘要
本文为单域泛化目标检测（即 Single-DGOD）提供了一种新颖框架，我们致力于学习并维持自增强复合跨域样本的语义结构，以增强模型的泛化能力。不同于在多个源域上训练的 DGOD，Single-DGOD 仅用单一源域就能很好地泛化到多个目标域，要困难得多。现有方法大多沿用 DGOD 的类似处理，通过解耦或压缩语义空间来学习域不变特征。然而，可能存在两个潜在局限：1) 伪属性-标签关联，由于单域数据极其稀少；2) 语义结构信息通常被忽略，即我们发现样本中实例级语义关系的亲和性对模型泛化至关重要。本文中，我们引入面向 Single-DGOD 的复合域语义推理 (SRCD)。具体而言，我们的 SRCD 包含两个主要组件，即基于纹理的自增强 (TBSA) 模块，以及局部-全局语义推理 (LGSR) 模块。TBSA 旨在通过轻量而高效的自增强在图像层面消除与标签无关的属性（如光照、阴影、颜色等）的影响。此外，LGSR 用于进一步在实例特征上建模语义关系，以揭示并维持内在语义结构。在多个基准上的大量实验证明了所提 SRCD 的有效性。
引用
@article{arxiv.2307.01750,
title = {SRCD: Semantic Reasoning with Compound Domains for Single-Domain Generalized Object Detection},
author = {Zhijie Rao and Jingcai Guo and Luyao Tang and Yue Huang and Xinghao Ding and Song Guo},
journal= {arXiv preprint arXiv:2307.01750},
year = {2023}
}
备注
9 pages, 5 figures