DATR:无监督域适应检测变压器,具有数据集级适应和原型对齐

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:

• 对象检测模型经常与域移动作斗争,当应用到来自不同分布的数据时,性能会降低.
• 目前用于对象检测的无监督域适应方法主要集中在对准骨干或编码器特征上,忽视了基于DETR的模型的独特解码器结构.
• 当前方法中的实例级特征对齐通常是无类的,通过忽视特定类别的区别来限制改进.

研究的目的:

• 开发一个基于DETR的强大的对象探测器,命名为Domain Adaptive detection TRansformer (DATR),用于无监督的域调整.
• 通过在解码器中引入有效的实例级特征对齐来解决现有方法的局限性.
• 通过考虑数据集级别的线索,增强对象检测器对新领域的概括能力.

主要方法:

• 提出了类智能原型对齐 (CPA) 模块,以以类意识的方式对齐跨域特征.
• 引入了数据集层面对齐计划 (DAS),使用对比学习来实现全球代表性,并改善跨领域的类别特征区分能力.
• 整合了一个基于平均教师的自我培训框架,以利用伪标签和减轻域偏见.

主要成果:

• 对于对象检测任务的无监督域适应,DATR表现出卓越的性能.
• 拟议的CPA模块有效地将特征与类相协调,弥合了对象检测和域调整之间的差距.
• DAS模块增强了全球代表性和跨类特征的独特性,从而改善了概括性.

结论:

• 通过在解码器内有效调整实例级特征,DATR在无监督域适应下显著提高了对象检测性能.
• 阶级和数据集水平对齐策略的结合,以及自我训练,增强了模型的稳定性和概括性.
• 开发的方法为适应物体探测器适应新的,未见的领域提供了一个有希望的方向,而不需要标记目标数据.