无偏 Faster R-CNN：用于单源域泛化目标检测
计算机视觉与模式识别
2024-05-27 v1
摘要
单源域泛化 (SDG) 的目标检测是一项具有挑战性又至关重要的任务，因为不可见域的分布偏差会显著降低算法性能。然而，现有方法试图提取域无关特征，却忽略了偏差数据导致网络学习到非因果且难以泛化的特征。为此，我们提出一种无偏 Faster R-CNN (UFR) 用于通用特征学习。具体而言，我们从因果学角度对 SDG 在目标检测中进行建模，构建结构因果模型 (SCM) 以分析任务中由场景混杂因子和对象属性混杂因子引起的数据偏差和特征偏差。基于 SCM，我们设计了全局-局部转换模块进行数据增强，有效模拟域的多样性并缓解数据偏差。此外，我们引入因果注意力学习模块，包含设计的注意力不变性损失，以学习对抗场景混杂因子的图像级特征。我们还开发了因果原型学习模块，包含明确的实例约束和隐式的原型约束，进一步减轻对象属性混杂因子的负面影响。在五个场景的实验结果表明，我们方法的泛化能力突出，尤其在夜间-清晰场景中实现了 3.9% 的 mAP 提升。
关键词
引用
@article{arxiv.2405.15225,
title = {Unbiased Faster R-CNN for Single-source Domain Generalized Object Detection},
author = {Yajing Liu and Shijun Zhou and Xiyao Liu and Chunhui Hao and Baojie Fan and Jiandong Tian},
journal= {arXiv preprint arXiv:2405.15225},
year = {2024}
}
备注
CVPR 2024