面向行人检测的无监督深度域适应
计算机视觉与模式识别
2018-02-12 v1
摘要
本文解决拥挤场景中行人检测任务上的无监督域适应问题。首先，我们利用一种迭代算法迭代地选择并自动标注高置信度的正类行人样本，作为目标域的训练样本。同时，我们也复用源域的负样本，以补偿正样本与负样本数量之间的不平衡。其次，基于深度网络我们还设计了一个无监督正则化项以减轻数据噪声的影响。更具体地，我们将最后的全连接层转化为两个子层——一个逐元素相乘层和一个求和层，并加入该无监督正则化项以进一步提高域适应精度。在行人检测实验中，所提方法在精度几乎不变的情况下将召回值提升了近30%。此外，我们在有监督和无监督设置的标准域适应基准上应用我们的方法，同样取得了state-of-the-art的结果。
引用
@article{arxiv.1802.03269,
title = {Unsupervised Deep Domain Adaptation for Pedestrian Detection},
author = {Lihang Liu and Weiyao Lin and Lisheng Wu and Yong Yu and Michael Ying Yang},
journal= {arXiv preprint arXiv:1802.03269},
year = {2018}
}
备注
ECCV Workshop 2016