在CCTV图像中进行对象检测的无源域-自适应性半监督学习.

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:

• 闭路电视 (CCTV) 系统中的对象检测由于域间隙而遭受性能退化.
• 隐私问题和数据法规需要无源学习方法,限制数据的重用.
• 现有的方法在现实世界的CCTV应用中与域调整和隐私限制作斗争.

研究的目的:

• 开发一个稳定有效的无源半监督域适应框架,用于CCTV对象检测.
• 为解决由域名转移和隐私限制引起的性能下降问题.
• 在具有挑战性的现实场景中提高对象检测的可靠性和准确性.

主要方法:

• 提出了一个基于平均教师的框架,整合伪标签的融合,从弱增强和强增强的视图到强大的伪标签.
• 实现了静态对抗规范化 (SAR),用于稳定的域不变约束,使用结的对抗头.
• 在训练期间使用了时间变化的指数加权策略来平衡标记和未标记的目标数据.

主要成果:

• 在四个基准场景中,mAP@0.5比现有方法平均提高了7.2%.
• 在使用仅2%标记目标数据的低标签环境中,证明了6.8%的收益.
• 在具有挑战性的领域转移下,显示了平均5.4%的改进,包括清晰到雾的适应和合成到真实的转移.

结论:

• 拟议的无源半监督域调整框架对于CCTV对象检测是有效和稳定的.
• 该方法在域移动下显著提高了对象检测性能,同时尊重隐私约束.
• 这种方法对于面临域名可变性和数据隐私法规的现实世界CCTV系统具有实际相关性.