用于跨域目标检测的无偏均值教师
计算机视觉与模式识别
2021-06-24 v2
摘要
跨域目标检测具有挑战性，因为目标检测模型往往易受数据方差影响，尤其是两个不同域之间的显著域偏移。在本文中，我们提出一种新的无偏均值教师（UMT）模型用于跨域目标检测。我们揭示了在跨域场景中简单均值教师（MT）模型常存在显著的模型偏置，并通过若干简单但高度有效的策略消除了该模型偏置。具体而言，对于教师模型，我们提出一种用于 MT 的跨域蒸馏方法以最大化利用教师模型的专业知识。此外，对于学生模型，我们通过像素级自适应增强训练样本来缓解其偏置。最后，对于教学过程，我们采用分布外估计策略来选择最契合当前模型的样本，以进一步增强跨域蒸馏过程。通过这些策略解决模型偏置问题，我们的 UMT 模型在基准数据集 Clipart1k、Watercolor2k、Foggy Cityscapes 和 Cityscapes 上分别取得了 44.1%、58.1%、41.7% 和 43.1% 的 mAP，以显著优势优于现有的 SOTA 结果。我们的实现可在 https://github.com/kinredon/umt 获取。
引用
@article{arxiv.2003.00707,
title = {Unbiased Mean Teacher for Cross-domain Object Detection},
author = {Jinhong Deng and Wen Li and Yuhua Chen and Lixin Duan},
journal= {arXiv preprint arXiv:2003.00707},
year = {2021}
}
备注
Accepted by CVPR2021