目标检测之域适应策略和弱监督伪标签策略

出自《Cross-Domain Weakly-Supervised Object Detection through Progressive Domain Adaptation》

问题提出：

       文章提出怎样在无标签的数据集中（卡通图像数据集）进行目标检测。

解决思路：

       文章提出了一种利用已知标签数据集（如VOC）去迁移到训练无标签数据集（例如卡通数据集）的目标检测方法。

实施方法：

Left: the situation of the cross-domain weaklysupervised object detection; Right: Our methods to generateinstance-level annotated samples in the target domain

策略1： 作者将真实图像转化为卡通图像风格的图像，并保留图像中语义结构信息。采用的方法是Cycle-GAN。文章试验证明了 Cycle-GAN在真实图像与卡通图像之间的转换非常成功。然后就有了instant-level的标签，并用于训练检测器。即将真实图像转化为目标域的风格来训练检测器。

策略2： 将策略1中训练好的检测器给真实图像打上伪标签，进一步以真实卡通图像去微调网络，最终得到一个在卡通图像上表现优异的检测器。

试验结果：

想法：

1. GAN很好很强大，其中Cycle-GAN能很好的将两个风格的图像进行迁移，从而有效的帮助目标检测在两种图像中的迁移。

2.目标检测的性能还是对数据集很依赖。数据集多，质量好，并且有标注。好，直接训练就完了。