基于 YOLO 的监督式虚拟到真实域自适应目标检测
计算机视觉与模式识别
2023-02-28 v1
摘要
深度神经网络在诸多现实任务中展现出优异用途。目标检测即为其中一项深度学习任务。良好标注的数据集会影响到深度神经网络的精度。深度神经网络学习的数据越多，模型越准确。然而，良好标注的数据集难以获取，尤其在特定领域中。为克服此点，采用计算机生成数据或虚拟数据集。研究者可生成许多具特定用例及其标注的图像。研究表明虚拟数据集可用于目标检测任务。然而，使用虚拟数据集时，模型须适应真实数据集，或须具备域自适应特性。我们探索了目标检测模型内利用虚拟数据集的域自适应，以克服少量良好标注数据集的问题。我们使用 VW-PPE 数据集，含 5000 与 10000 虚拟数据及 220 真实数据。模型架构上，我们采用以 CSPDarknet53 为骨干、PAN 为颈部的 YOLOv4。仅对骨干权重微调的域自适应技术取得了 74.457% 的平均精度均值。
引用
@article{arxiv.2302.13891,
title = {Supervised Virtual-to-Real Domain Adaptation for Object Detection Task using YOLO},
author = {Akbar Satya Nugraha and Yudistira Novanto and Bayu Rahayudi},
journal= {arXiv preprint arXiv:2302.13891},
year = {2023}
}