传统的目标检测方法本质上是假设训练和测试数据是从一个有限制的目标域中采集的,并且代价昂贵。为了减轻域依赖性和繁琐的标记问题,提出了利用足够的标签从辅助源域训练的领域知识来检测非受限环境中的对象。具体来说,我们提出了一个多对抗的快速rcnn(maf)框架,用于无限制目标检测。它本质上解决了特征表示中用于域自适应的域差异最小化问题。本文的优点有三:1)针对图像分布导致区域差异时目标检测器常常出现区域不相容的问题,提出了一种分层域特征对齐模块,该模块设计了多个用于分层域特征混淆的对抗域分类器子模块;2)为了提高对抗性领域适应的训练效率,提出了一种用于层次特征图调整的信息不变尺度缩减模块(SRM);3)为了提高领域适应能力。将具有检测结果的聚合建议特征输入到所提出的加权梯度反转层(wgrl)中,用于描述难以混淆的域样本。我们评估我们的无限制任务,包括微控制器,微控制器,微控制器等,我们的实验室和实验显示了最先进的性能比现有的探测器。
•针对无限制的目标检测任务,引入了一种多对抗的快速rcnn(maf)。针对领域自适应目标检测,提出了两种基于层次域特征和聚合建议特征的特征对齐模块,并采用多对抗域分类器子模块实现。
•在对抗域分类器子模块中,提出了尺度缩减模块(srm)用于在不丢失信息的情况下缩小特征映射,提高了maf检测器的训练效率。
•在聚合提议特征对齐模块中,为了改善提议的域混淆,我们提出了一个加权梯度反转层(wgrl),它用较大的梯度权值惩罚难以混淆的样本,用较小的梯度权值松弛容易混淆的样本。
•在城市景观[4]、Kitti[10]、Sim10K[16]等方面进行的无限制目标检测任务的详尽实验,显示了我们的MAF优于最先进的探测器。