重新思考跨域行人检测:一个以背景为中心的分布对齐框架,用于无实例的单阶检测器

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 跨领域的行人检测对于现实应用至关重要,将知识从数据丰富的领域转移到数据稀缺的领域.
• 现有的方法经常在实例或图像层面对齐特征,与一级探测器优先速度,但缺乏实例层面的建议.
• 纯图像层次对齐可能导致前景和背景的错位,其中源域前景特征与目标域背景特征不正确匹配.

研究的目的:

• 开发一种新的跨领域算法,用于快速的一级行人探测器.
• 为了解决图像级特征对齐中的前景背景错位问题.
• 为了提高适应域的单阶段行人探测器的性能.

主要方法:

• 提出了以背景为重点的分布对齐 (BFDA),这是一个优先考虑背景特征对齐的框架.
• 将背景特征与图像特征地图分开.
• 使用新的长短距离区分器对齐背景特征,最大限度地减少前景特征的影响.

主要成果:

• 与主流域调整技术相比,BFDA显著提高了单阶段和双阶段检测器的跨域行人检测性能.
• 通过YOLOv5实现高效率,在NVIDIA Tesla V100 (640x480分辨率) 上达到217.4 FPS.
• 与现有框架相比,FPS增加了7-12倍,突出了实际适用性.

结论:

• BFDA有效地解决了前景背景错位问题,用于行人检测的图像级跨域对齐.
• 拟议的方法提供了显著的性能提升和计算效率,使其非常适合于现实世界的部署.
• 该框架的重点是背景特征,这对于在一级探测器中成功进行域调整至关重要.