UMS-ODNet:统一规模域适应机制驱动的对象检测网络,具有多个规模的注意力

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:

• 无监督域调整对于在不同数据分布中改进对象检测器概括至关重要.
• 一级探测器,如YOLO系列,由于其实时性能,在工业中更受欢迎.
• 现有的方法往往忽视了各种特征图尺度的适应一致性.

研究的目的:

• 提出一个新的网络,统一尺度域适应机制驱动的多尺度注意力对象检测网络 (UMS2-ODNet),用于增强跨域对象检测.
• 通过专注于多尺度特征适应来应对对象检测领域转移的挑战.
• 通过域调整,提高工业应用中的实时物体检测能力.

主要方法:

• 拟议的UMS2-ODNet使用YOLOv6作为其核心框架,平衡效率和准确性.
• 引入一个统一规模的域调整机制,以利用和整合来自多个特征尺度的歧视性信息.
• 多尺度注意模块增强了特征表示,新的损失函数确保了多尺度信息的一致性.

主要成果:

• 在四个基准数据集上进行了广泛的实验,证明了UMS2-ODNet.net的有效性.
• 与跨领域对象检测中的最先进技术相比,提出的方法实现了更高的性能.
• UMS2-ODNet在对象检测器的概括能力方面取得了显著的改进.

结论:

• 开发的UMS2-ODNet有效地改善了对物体检测的无监督域调整.
• 统一规模的适应机制和多规模的关注有助于优越的跨领域性能.
• 调查结果强调了拟议网络的可行性和有效性,用于现实世界的应用.