基于强化知识蒸馏的深度回归跟踪器弱监督域适应
计算机视觉与模式识别
2021-04-13 v1 机器人学
摘要
深度回归跟踪器是目前可用的最快跟踪算法之一，因此适用于实时机器人应用。然而，由于分布偏移和过拟合，它们在许多领域中的精度不足。本文通过提出此类跟踪器域适应的首个方法克服了这些局限。为减少标注工作量，我们提出了一种弱监督适应策略，其中利用强化学习将弱监督表示为与具体应用相关且时间延迟的标量反馈。同时，采用知识蒸馏以保证学习稳定性，并从更强但更慢的跟踪器中压缩和迁移知识。在五个不同机器人视觉领域上的大量实验证明了我们方法的相关性。在嵌入式设备以及无 GPU 的机器上均实现了实时速度，而精度也取得了显著结果。
引用
@article{arxiv.2103.14496,
title = {Weakly-Supervised Domain Adaptation of Deep Regression Trackers via Reinforced Knowledge Distillation},
author = {Matteo Dunnhofer and Niki Martinel and Christian Micheloni},
journal= {arXiv preprint arXiv:2103.14496},
year = {2021}
}
备注
IEEE Robotics and Automation Letters (RA-L)