强大的域自适应对象检测与统一的多颗粒度对齐

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:

• 域自适应检测旨在增强对象检测器对新目标域的概括.
• 当前的方法使用对抗式学习对各个领域的特征进行对齐,但往往忽视了细粒度之间的关系.
• 这种监督可能会降低检测性能,因为无法捕获复杂的功能依赖性.

研究的目的:

• 提出一个统一的多颗粒度对齐 (MGA) 框架,用于对象检测中的域不变特征学习.
• 通过同时编码跨像素,实例和类别级别的依赖关系来解决现有方法的局限性.
• 在域适应场景中提高探测器的稳定性和概括能力.

主要方法:

• 开发了一个全尺度封闭融合 (OSGF) 模块,用于使用尺度意识的卷积来聚合像素级特征的实例表示.
• 引入多个细分区分器,以识别不同级别的特征的域来源 (源或目标).
• 实施了适应指数移动平均 (AEMA) 策略,用于模型更新,改进伪标签和减轻局部错位.

主要成果:

• 在MGA框架有效地学习域不变的特征,同时调整多个细节.
• 实验证明了MGA在FCOS和更快的R-CNN检测器上的优势,在各种域适应场景中.
• 拟议的OSGF模块和AEMA战略有助于强大的多尺度检测,并缓解了错位问题.

结论:

• 统一的多颗粒度对齐 (MGA) 框架为域自适应检测提供了一种新的方法.
• 在像素,实例和类别级别的同时对齐显著增强了检测器通用化.
• 在域自适应设置中,MGA提供了一个强大的和有效的解决方案来提高对象检测性能.