目标检测中不确定性感知的无监督域适应
计算机视觉与模式识别
2021-05-20 v2
摘要
无监督域自适应目标检测旨在将检测器从有标注源域适配到无标注目标域。多数现有工作采用两阶段策略：先生成区域提议再检测感兴趣物体，并在两阶段广泛采用对抗学习来缓解域间差异。然而，对抗学习仅对齐跨域全局分布，可能损害已对齐样本的对齐。为解决此问题，我们设计不确定性感知域适应网络（UaDAN），引入条件对抗学习以不同方式分别对齐良好对齐与不良对齐样本。具体而言，我们设计评估各样本对齐程度的不确定性度量，并自适应调整良好对齐与不良对齐样本的对抗学习强度。此外，我们利用该不确定性度量实现课程学习，先完成较易的图像级对齐，再逐步进行更难的实例级对齐。在四个具挑战性的域自适应目标检测数据集上的大量实验表明，UaDAN 相较于 SOTA 方法取得了更优性能。
引用
@article{arxiv.2103.00236,
title = {Uncertainty-Aware Unsupervised Domain Adaptation in Object Detection},
author = {Dayan Guan and Jiaxing Huang and Aoran Xiao and Shijian Lu and Yanpeng Cao},
journal= {arXiv preprint arXiv:2103.00236},
year = {2021}
}
备注
Accepted in the IEEE Transactions on Multimedia