通过多颗粒度信心对齐来完善伪标签,用于无监督的跨域对象检测

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 最先进的物体检测方法由于领域转移而难以概括.
• 无监督的跨域对象检测旨在通过将知识从标记的源域转移到未标记的目标域来弥合这一差距.
• 现有的平均教师方法看起来很有希望,但由于信任错位而受到次优伪标签的限制.

研究的目的:

• 为了应对未经监督的跨域对象检测伪标签中的信任错位的挑战.
• 提出一个新的框架,多细分度信心对齐平均教师 (MGCAMT),同时在类别,实例和图像层面上对准信心.
• 为了提高对象探测器在存在域移动时的准确性和概括性.

主要方法:

• 开发了多颗粒度信心对准平均教师 (MGCAMT) 框架.
• 引入了使用证据深度学习 (EDL) 来建模类别不确定性和过不正确标签的分类信心对齐 (CCA).
• 设计任务信心对齐 (TCA) 以减轻分类和本地化之间的实例级失调.
• 实现图像聚焦信心对齐 (FCA) 实现了平衡的空间布局感知,没有明确的标签分配.

主要成果:

• 在类别,实例和图像层面上,MGCAMT有效地减轻了信心错位.
• 拟议的CCA,TCA和FCA组件有助于改进伪标签和改善教师与学生的学习.
• 实验结果表明,与现有的最先进方法相比,在各种场景中,性能有了显著的改善.
• 该框架显示了与大型基础模型相比的优越性能.

结论:

• 伪标签中的信任错位是无监督跨域对象检测中的关键瓶.
• 通过整合多细分化的信任对齐策略,MGCAMT提供了一个强大的解决方案.
• 拟议的方法显著提高了对象检测性能和概括能力,优于目前的方法.