STFAR：通过特征对齐正则化的自训练提升测试时目标检测鲁棒性
计算机视觉与模式识别
2023-04-03 v1
摘要
域适应有助于将目标检测模型泛化到具有分布偏移的目标域数据。它通常通过访问整个目标域数据来进行适应。在更现实的场景中，目标分布往往在推理阶段之前不可预测。这促使我们探索在测试时适应目标检测模型，即测试时适应（TTA）。在本工作中，我们从两个角度研究测试时自适应目标检测（TTAOD）。首先，我们采用自训练范式，利用指数移动平均模型生成伪标注目标。这些伪标签进一步用于监督源域模型的适应。由于自训练容易产生不正确的伪标签，我们进一步将两种输出层级上的特征分布对齐作为自训练的正则化项。为验证TTAOD上的性能，我们基于三个标准目标检测数据集创建基准，并将通用TTA方法适配到目标检测任务。大量评估表明，我们提出的方法在测试时自适应目标检测任务上达到了最先进水平（SOTA）。
引用
@article{arxiv.2303.17937,
title = {STFAR: Improving Object Detection Robustness at Test-Time by Self-Training with Feature Alignment Regularization},
author = {Yijin Chen and Xun Xu and Yongyi Su and Kui Jia},
journal= {arXiv preprint arXiv:2303.17937},
year = {2023}
}