基于前向-后向循环适配的无监督域自适应目标检测
计算机视觉与模式识别
2020-02-04 v1
摘要
我们提出一种通过前向-后向循环（FBC）训练实现无监督域自适应目标检测的新方法。近期基于对抗训练的域自适应方法已展现出通过边际特征分布对齐来最小化域差异的有效性。然而，对齐边际特征分布并不能保证类条件分布的对齐。当适配目标检测器时这一局限更为明显，因为相较于图像分类任务域差异更大，例如一幅图像中存在数量不等的目标且图像多数内容为背景。这促使我们通过梯度对齐来学习类别级语义的域不变性。直观上，若两域的梯度指向相似方向，则一个域的学习可改进另一域的学习。为实现梯度对齐，我们提出前向-后向循环适配，迭代地通过反向跳跃计算从源域到目标域的适配，以及通过前向传递计算从目标域到源域的适配。此外，我们通过对抗训练对齐低层特征以适配整体颜色/纹理。然而，在两域均表现良好的检测器对目标域并非理想。因此，在每个循环中，通过对源域施加最大熵正则以惩罚置信的源特定学习，并对目标域施加最小熵正则以激发目标特定学习，来强化域多样性。我们提供了训练过程的理论分析，并在具挑战性的跨域目标检测数据集上的大量实验表明，我们的方法优于当前最优方法。
引用
@article{arxiv.2002.00575,
title = {Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation},
author = {Siqi Yang and Lin Wu and Arnold Wiliem and Brian C. Lovell},
journal= {arXiv preprint arXiv:2002.00575},
year = {2020}
}