面向目标检测中的域泛化
计算机视觉与模式识别
2022-03-29 v1 人工智能
机器学习
摘要
尽管现代检测器在训练与测试数据来自相同或相似分布时取得了惊人性能，检测器在未知分布偏移下的泛化能力仍鲜有研究。近期若干工作讨论了检测器对特定目标域的适应能力，这在真实应用中并不易直接用，因为检测器可能遇到各种环境或情形，而在训练前预收集所有情形是不可想象的。在本文中，我们研究关键问题：目标检测中的域泛化（DGOD），其中检测器用源域训练并在未知目标域上评估。为在未知分布偏移下彻底评估检测器，我们形式化了 DGOD 问题并提出一个综合评估基准以填补空白。此外，我们提出一种名为区域感知提议重加权（RAPT）的新方法以消除 RoI 特征内的依赖性。大量实验表明当前 DG 方法未能解决 DGOD 问题，且我们的方法优于其他 SOTA 对应方法。
引用
@article{arxiv.2203.14387,
title = {Towards Domain Generalization in Object Detection},
author = {Xingxuan Zhang and Zekai Xu and Renzhe Xu and Jiashuo Liu and Peng Cui and Weitao Wan and Chong Sun and Chen Li},
journal= {arXiv preprint arXiv:2203.14387},
year = {2022}
}