源引导目标特征重建用于跨域分类和检测.

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:

• 无监督的跨领域学习方法往往忽视了关键的源域知识.
• 现有的技术依赖于自我增强以保持一致性,限制了域调整中的性能.

研究的目的:

• 提出一个以源引导的目标特征重建 (STFR) 模块,以增强跨领域的视觉任务.
• 通过整合源知识来减少域偏差并改善目标表示.

主要方法:

• STFR模块使用源视觉词重建目标特征,创建域之间的桥梁.
• 源视觉单词根据源特征分布动态选择和更新.
• 在重建和原始目标特征之间应用一致性学习,以实现域对齐,理论上与最佳传输相关.

主要成果:

• 在Office-31上实现了91.0%的准确性,在Office-Home上达到73.9%,在VisDA-2017上达到87.4%,用于跨域图像分类.
• 在城市景观 → 雾城市景观上获得了44.50%的mAP,在城市景观 → KITTI上获得了汽车的78.10%的AP,用于跨域对象检测.
• 在分类和检测任务的多个基准中显示出显著的改进.

结论:

• 拟议的STFR模块通过整合源域知识,有效地增强跨域视觉任务.
• STFR显著降低了域偏差,导致无监督域适应的优异性能.
• 该方法在各种跨域图像分类和对象检测基准中被证明是有效的.