通用教师：面向跨域适应的类别感知教师-学生框架
计算机视觉与模式识别
2024-09-19 v1
摘要
跨数据集之间域迁移的挑战对于维持模型性能至关重要。在目标检测的跨域情境中，教师-学生框架作为一种广泛使用的半监督模型，已显示出显著的精度提升。然而，现有方法常常忽视类别差异，将所有类别视为等价，导致结果不佳。此外，由于缺乏区域提议网络 (RPN)，将实例级对齐与一阶段检测器集成在该框架中尚未得到探索。为此，本文引入一种新颖的教师-学生模型，称为通用教师 (Versatile Teacher, VT)。VT 与前述工作不同之处在于考虑类别特定的检测难度，并采用称为类别感知伪标签自适应选择 (Class-aware Pseudo-label Adaptive Selection, CAPS) 的两步伪标签选择机制，以生成更可靠的伪标签。这些标签被用作注意力矩阵，以引导鉴别器进行针对性的实例级对齐。我们的方法在三个基准数据集上显示出前景的效果，并为广泛使用的一阶段检测器提供了对齐方法，具有显著的实际应用潜力。代码可在 https://github.com/RicardooYoung/VersatileTeacher 获取。
引用
@article{arxiv.2405.11754,
title = {Versatile Teacher: A Class-aware Teacher-student Framework for Cross-domain Adaptation},
author = {Runou Yang and Tian Tian and Jinwen Tian},
journal= {arXiv preprint arXiv:2405.11754},
year = {2024}
}