面向目标检测的迁移性度量
计算机视觉与模式识别
2023-06-28 v1
摘要
迁移学习旨在有限数据场景下充分利用现有预训练模型在新任务上获得更好性能。然而，尚不清楚哪些模型在哪些任务上表现最佳，且尝试所有可能组合的成本高得令人望而却步。若迁移性估计提供一种计算高效的方法来评估模型的泛化能力，先前工作仅关注分类设定。为克服此局限，我们将迁移性度量扩展到目标检测。我们设计了一种简单方法，利用 ROI-Align 提取图像中每个目标对应的局部特征。我们还引入了 TLogME，一种考虑坐标回归任务的迁移性度量。在我们的实验中，我们将 TLogME 与最先进度量在 Faster-RCNN 目标检测器的迁移性能估计中进行比较。我们在源与目标选择任务上、针对真实与合成数据集、以及不同骨干网络架构评估所有度量。我们表明，在不同任务上，采用局部提取方法的 TLogME 与迁移性能具有稳健的相关性，并在局部与全局层次特征上优于其他迁移性度量。
引用
@article{arxiv.2306.15306,
title = {Transferability Metrics for Object Detection},
author = {Louis Fouquet and Simona Maggio and Léo Dreyfus-Schmidt},
journal= {arXiv preprint arXiv:2306.15306},
year = {2023}
}
备注
12 pages, 4 Figures