通用域自适应目标检测器
计算机视觉与模式识别
2022-07-06 v1
摘要
通用域自适应目标检测（UniDAOD）比域自适应目标检测（DAOD）更具挑战性，因为源域的标签空间可能与目标域不同，且通用场景中的物体尺度可能差异巨大（即类别偏移与尺度偏移）。为此，我们提出US-DAF，即具有多标签学习的通用尺度感知域自适应Faster RCNN，以在各种尺度下减少训练期间的负迁移效应，同时最大化两域的可迁移性与可判别性。具体而言，我们的方法通过两个模块实现：1）我们设计过滤机制模块以促进公共类的特征对齐并抑制私有类的干扰，从而克服由类别偏移引起的负迁移。2）我们引入新的多标签尺度感知适配器，对两域对应尺度间执行独立对齐，填补了目标检测中尺度感知自适应的空白。实验表明，US-DAF在三种场景（即开集、部分集和闭集）上取得了最先进结果，尤其在基准数据集Clipart1k和Watercolor上分别获得7.1%和5.9%的相对提升。
引用
@article{arxiv.2207.01756,
title = {Universal Domain Adaptive Object Detector},
author = {Wenxu Shi and Lei Zhang and Weijie Chen and Shiliang Pu},
journal= {arXiv preprint arXiv:2207.01756},
year = {2022}
}
备注
Accepted to ACM MM2022