提升目标检测器对域偏移鲁棒性的研究
计算机视觉与模式识别
2024-03-20 v1
摘要
本文提出了一种数据增强方法，以提升驾驶目标检测器对域偏移的鲁棒性。当训练阶段使用的源数据域分布与部署阶段的目标数据域分布之间存在显著变化时，就会产生域偏移问题。域偏移被认为是导致深度神经网络模型性能大幅下降的最主要原因之一。为了解决这一问题，一种有效的方法是增加训练数据的多样性。为此，我们提出了一个数据合成模块，可用于训练更鲁棒、更有效的目标检测器。通过采用 YOLOv4 作为基础目标检测器，我们观察到在源域和目标域数据上的性能均有显著提升。本工作的代码已在 https://github.com/tranleanh/haze-synthesis 公开发布。
引用
@article{arxiv.2403.12049,
title = {Toward Improving Robustness of Object Detectors Against Domain Shift},
author = {Le-Anh Tran and Chung Nguyen Tran and Dong-Chul Park and Jordi Carrabina and David Castells-Rufas},
journal= {arXiv preprint arXiv:2403.12049},
year = {2024}
}
备注
5 pages, 6 figures