基于双概率对齐的通用域适应目标检测
计算机视觉与模式识别
2024-12-17 v1 人工智能
机器学习
摘要
域适应目标检测（DAOD）在闭合类别假设下将标注源域的知识迁移到未标注目标域。通用 DAOD（UniDAOD）扩展了 DAOD，以处理开放式、部分式和闭合式域适应。在本文中，我们首先揭示了两个问题：域私有类别对全局特征至关重要，以及不同层级特征的域概率异质性。为此，我们提出一种新颖的双概率对齐（DPA）框架，将域概率建模为高斯分布，从而实现异质域分布的抽样与度量。DPA 包含三个定制模块：全局域私有对齐（GDPA）、实例级域共享对齐（IDSA）以及私有类约束（PCC）。GDPA 利用全局抽样挖掘域私有类别样本，通过累计分布函数计算对齐权重，以解决全局级私有类别对齐问题。IDSA 利用实例级抽样挖掘域共享类别样本，通过高斯分布计算对齐权重，以进行域共享类别对齐，解决特征异质性问题。PCC 将域私有类别的质心在特征空间和概率空间之间聚合，以缓解负迁移。大量实验表明，我们的方法在各种数据集和场景（包括开放、部分和闭合集合）上均优于当前最先进的 UniDAOD 和 DAOD 方法。代码已公开于 \url{https://github.com/zyfone/DPA}。
引用
@article{arxiv.2412.11443,
title = {Universal Domain Adaptive Object Detection via Dual Probabilistic Alignment},
author = {Yuanfan Zheng and Jinlin Wu and Wuyang Li and Zhen Chen},
journal= {arXiv preprint arXiv:2412.11443},
year = {2024}
}
备注
This work is accepted by AAAI 2025