对齐和提炼:统一和改进领域自适应目标检测
我们提出了 US-DAF 方法来解决通用域自适应目标检测中的负迁移问题,提高在各种尺度下的迁移性和区分性。该方法通过两个模块实现:1)设计一个过滤机制模块来促进公共类的特征对齐并抑制私有类的干扰来克服由于类别偏移引起的负迁移。2)引入新的多标签尺度适应器来进行两个域之间相应尺度的个体对齐。实验表明,US-DAF 方法在三种场景下均达到了最先进的结果,并在 Clipart1k 和 Watercolor 基准数据集上获得了 7.1%和 5.9%的相对改进。
Jul, 2022
提出了基于蒸馏的无偏对齐 (Distillation-based Unbiased Alignment, DUA) 框架及目标相关对象定位网络 (Target-Relevant Object Localization Network, TROLN),解决了领域自适应目标检测中源偏差和领域转移问题,通过蒸馏方式调整源特征位置,利用目标相关知识生成无需分类的两个度量指标 (IoU 和 centerness),并采用领域感知的一致性增强策略 (DCE) 进一步改善分类一致性和定位准确性,在跨领域情景中显著提升性能,超过已有基于对齐的方法。
Nov, 2023
本研究提出一种面向带有噪声注释的领域自适应目标检测(DAOD)的框架,包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术,将语义信息纳入学习过程,取得了不错的实验成果。
Apr, 2022
本文提出了一种基于领域自适应的增量式学习方法,即 DA-CIL,通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明,DA-CIL 在领域自适应增量学习场景下具有较好的性能。
Dec, 2022
介绍了一种无锚点、无 NMS 的 3D 点云目标检测器,使用对象关键点编码 3D 属性实现端到端检测,利用数据增强和点着色以及投影到相机空间和图像感知信息的附加属性来增强性能,并通过模型集成和 TTA 在 3D 检测和域自适应路线上实现了第一名。
Jun, 2020
该研究提出了 DODA,一种能够在农业领域生成高质量物体检测数据的数据合成器,通过将布局编码为图像,提高了布局到图像的可控性,从而改善了标签的质量,并使用视觉编码器为扩散模型提供视觉线索,使模型能够在新领域生成数据。在全球小麦头部检测(GWHD)数据集上,采用 DODA 合成的数据提高了目标检测器在与训练数据显著不同的领域中的表现,AP$_{50}$ 提升了 12.74-17.76。
Mar, 2024
通过生成中间领域的伪样本及其对应的软域标签以进行自适应训练,我们提出了一种用于领域自适应目标检测的新型正则化方法 BlenDA,旨在解决源域与目标域之间存在的较大领域差异问题。根据两个适应性基准的实验结果,我们提出的方法能显著提高最先进的领域自适应目标检测器 Adversarial Query Transformer (AQT) 的性能,在 Cityscapes 至 Foggy Cityscapes 自适应中,我们在 Foggy Cityscapes 数据集上实现了 53.4% 的平均准确率 (mAP),超过了先前的最先进方法 1.5%。值得注意的是,我们提出的方法也适用于各种领域自适应目标检测范式。
Jan, 2024
本文介绍了一个名为 SAOD 的任务,它是一种统一的测试框架,旨在针对自主驾驶等安全关键环境中物体检测器所面临的挑战,并解决了当前测试物体检测器鲁棒性的方法所存在的问题,并引入了新颖的度量和大规模测试数据集来测试多个物体检测器,最终引入一个简单的基线,以便为研究人员提供基准测试方法。
Jul, 2023