【论文】自然场景下目标检测的域自适应Faster-RCNN

Yuhua Chen, Wen Li, Christos Sakaridis, Dengxin Dai, Luc Van Gool and ect.

Computer Vision Lab,ETH Zurich,VISICS,ESAT/PSI,KU Leuven

摘要：目标检测通常假设，训练和测试数据服从同一分布，然而实际情况却未必满足这种分布。这种分布的不一致将导致一个重要的性能缺陷。本文的工作中，我们专注于提高目标检测的跨域鲁棒性。我们从两个层面解决域的迁移：第一，图像层次的迁移，比如图像风格、图像照度等等；第二，实例层面的迁移，比如目标外形、目标尺寸等等。我们建立了自己的基于最近的先进的Faster R-CNN模型的方法，设计了两个域适应组件，从图像层面和实例层面，较少域矛盾。两种域适应组件都是基于H-divergence理论，也都通过以对抗训练的方式学习一个域分类器来实现的。不同层面的域分类器用一致性正则化来学习一个域不变的Faster R-CNN模型中的RPN来强化。我们评估我们新提出的方法，方法采用了包括Cityscapes、KITTI、SIM10K等多种数据集。结果证明我们提出的方法对于不同域迁移场景的目标检测的鲁棒性的有效性。