面向域偏移下目标检测校准的改进

随着基于深度神经网络的解决方案越来越多地被应用于实际系统中，人们迫切要求此类模型（尤其是在安全关键环境中）的预测具有高精度和良好校准。尽管已有一些解决DNN校准的技术被提出，但它们仅限于视觉分类应用和域内预测。遗憾的是，基于DNN的视觉目标检测器（其在许多决策系统中与视觉分类器具有同等地位和重要性）的校准问题几乎未受关注。本文中，我们研究了基于DNN的目标检测模型在校准方面的问题，特别是在域偏移下。为此，我们首先提出了一种新的、即插即用的、训练时目标检测校准损失（称为TCD）。它可作为辅助损失函数与各种特定应用的损失函数配合使用，以改善检测校准。其次，我们设计了一种新的隐式技术，用于改进基于自训练的领域自适应检测器的校准，其特点是为目标检测提供了一种新的不确定性量化机制。我们证明TCD能够显著提升校准效果：（1）在不同的基于DNN的目标检测范式下，无论是域内还是域外预测；（2）在不同的领域自适应检测器下，跨越具有挑战性的自适应场景。最后，我们通过实验表明，我们的隐式校准技术可在自适应过程中与TCD协同使用，以在多种域偏移场景中进一步提升校准。