关键字:域自适应;目标检测;Faster R-CNN
摘要:通常在公共数据集上训练的目标检测器,将它们应用于新的场景时,一般会面临很大的困难。如图片风格、光照、物体形状、背景的不同,使得测试数据和训练数据存在较大的跨域偏移问题,若想取得大量的带标签的图片进行再训练不太现实。基于图像级分类正则化模块和调整区域层次上对齐模型,提出域对抗领域自适应方法,利用图像级分类正则化提高对关键目标的特征提取能力,同时降低不可迁移信息的激活。在实例级别通过调整区域层次上的对齐,保证检测器的可迁移性,从而不断提高检测器的可迁移性和可分辨性。实验表明,在保持良好的可扩展性的前提下,所提方法在场景发生变化情况下的性能明显优于现有方法,进一步提高了跨域的目标检测性能。在对天气的适应性实验上将检测精度提升了2.3%,在对不同场景的适应性实验上提升了1.2%。
卷号:v.43;No.354
期号:22
是否译文:否