分层域适应：场景文本识别的渐进式自训练方法
计算机视觉与模式识别
2025-04-15 v3
摘要
无监督域适应 (UDA) 在场景文本识别 (STR) 中日益普及，尤其是在训练数据与测试数据驻留于不同域的情况下。现有 UDA 方法的有效性会因源域与目标域之间的差距较大而退化。为解决此问题，逐步转移或渐进式学习以从域向域移动是关键问题。本文我们引入分层域适应 (Stratified Domain Adaptation, StrDA) 方法，通过考察域差距的渐进升级来指导学习过程。目标是将训练数据划分为若干子集，以便逐渐自训练的模型能够适应渐进式变化。我们通过评估每个数据样本与源域和目标域的接近程度，对训练数据进行分层。我们提出一种新方法，用于利用域判别器来估计数据样本的 out-of-distribution 水平和域判别性水平。在广泛使用的场景文本数据集上进行大量实验表明，我们的方法显著提升了基线 (源域训练) STR 模型的性能。
引用
@article{arxiv.2410.09913,
title = {Stratified Domain Adaptation: A Progressive Self-Training Approach for Scene Text Recognition},
author = {Kha Nhat Le and Hoang-Tuan Nguyen and Hung Tien Tran and Thanh Duc Ngo},
journal= {arXiv preprint arXiv:2410.09913},
year = {2025}
}
备注
[WACV 2025] 15 pages, 12 figures, 5 tables, include supplementary materials, source code: https://github.com/KhaLee2307/StrDA