基于渐进多源域迁移的无监督跨域目标检测

摘要：

针对目标检测任务中获取人工标注训练样本的困难,提出一种在像素级与特征级渐进完成域自适应的无监督跨域目标检测方法.现有的像素级域自适应方法中,存在翻译图像风格单一、内容结构不一致的问题.因此,将输入图像分解为域不变的内容空间及域特有的属性空间,综合不同空间表示进行多样性的图像翻译,同时保留图像的空间语义结构以实现标注信息的迁移.此外,对特征级域自适应而言,为缓解单源域引起的源域偏向问题,将得到的带有标注的多样性翻译图像作为多源域训练集,设计基于多领域的对抗判别模块,从而获取多个领域不变的特征表示.最后,采用自训练方案迭代生成目标域训练集伪标签,以进一步提升模型在目标域上的检测效果.在Cityscapes&Foggy Cityscapes与VOC07&Cli-part1k数据集上的实验结果表明,相比现有的无监督跨域检测算法,该检测框架具更优越的迁移检测性能.

关键词：迁移学习、域自适应、目标检测、多源域、自训练

所属期刊栏目：48

分类号：TP181;TP391.41;TN911.73

资助基金：国家自然科学基金;云南省科技计划项目

在线出版日期：2022-10-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：2337-2351