WQT与DG-YOLO：面向水下目标检测的域泛化
计算机视觉与模式识别
2020-04-15 v1
摘要
通用水下目标检测器(GUOD)应在大多数水下场景中表现良好。然而，由于水下数据集有限，传统目标检测方法深受域偏移之苦。本文旨在利用类型有限的小规模水下数据集构建 GUOD。首先，我们提出一种数据增强方法水质迁移(WQT)以增加原始小规模数据集的域多样性。其次，为从 WQT 生成的数据中挖掘语义信息，提出 DG-YOLO，其由三部分组成：YOLOv3、DIM 与 IRM 惩罚。最后，在原始与合成 URPC2019 数据集上的实验证明 WQT+DG-YOLO 在水下目标检测的域泛化上取得了有前景的性能。
引用
@article{arxiv.2004.06333,
title = {WQT and DG-YOLO: towards domain generalization in underwater object detection},
author = {Hong Liu and Pinhao Song and Runwei Ding},
journal= {arXiv preprint arXiv:2004.06333},
year = {2020}
}