对象检测的弱监督测试时域适应
计算机视觉与模式识别
2024-07-09 v1
摘要
在部署前，目标检测器是在由前一次数据收集活动编译而成的数据集上训练的。然而，目标检测器所部署的环境不可避免地会演变，特别是在户外环境中，由于光照、天气和季节的变化，会显著影响场景和目标对象的外观。几乎不可能将所有潜在的场景都包含在有限的训练数据集中。这使得不断更新目标检测器以维持满意的性能成为必然。测试时域适应技术使机器学习模型能够基于测试数据的分布进行自我适应。然而，现有方法主要关注完全自动的适应，这在自驾车等应用中是合理的。尽管完全自动方法占据主导，但在某些应用中（如监控），通常都有人类操作员对系统运行进行监督。我们提出要涉及操作员参与测试时域适应，以超越完全自动适应所能实现的性能。为了减少手动工作量，该方法仅要求操作员提供弱标签，然后用于指导适应过程。此外，所提方法可在流式设置下进行，即每个在线样本仅观察一次。我们展示了该方法优于现有方法，显示了人机协同测试时域适应的显著优势。我们的代码已公开于https://github.com/dzungdoan6/WSTTA。
引用
@article{arxiv.2407.05607,
title = {Weakly Supervised Test-Time Domain Adaptation for Object Detection},
author = {Anh-Dzung Doan and Bach Long Nguyen and Terry Lim and Madhuka Jayawardhana and Surabhi Gupta and Christophe Guettier and Ian Reid and Markus Wagner and Tat-Jun Chin},
journal= {arXiv preprint arXiv:2407.05607},
year = {2024}
}