admin 管理员组

文章数量: 1132215

 

论文地址：https://ieeexplore.ieee/document/9008383

源码地址：https://github/Gabriel-Macias/robust_frcnn

1 以前的方法

       在目标域中有监督地fine-tuning /无监督地学习跨域表征。前者需要额外的带标签实例数据，后者消除了两个新挑战带来的cost：①source/target域的表征要在某个空间上匹配 ②要定义一个特征匹配的机制（MMD、H-divergence、adversarial learning）

2 观察

       尽管在源域训练好的模型在目标域上测试会有次优解，但目标检测会有一定准确率。检测出来的目标可以用来retrain模型，但又因为model在target domain检测出来的实例不准确，所以在retraining过程中要用一个鲁棒性好的检测框架。这带来的好处是model在target domain上的训练方式是无监督的，通过向model喂源域和目标域的数据，可以实现域间表征的匹配。

3 两种noise

  • 目标标签的错误（分类错误）；
  • 不正确的bbox位置和尺寸（bbox不能紧包围目标）；

4 方法

辅助图像分类训练

       先从目标域中提取一些gt的bbox，然后用这些bbox去训练一个分类模块，用这个分类模块给target domain的bbox评分，这可能会用到Phase One中没用到的representation。

本文标签： 笔记 论文 learning Robust Approach

版权声明：本文标题：论文笔记：A Robust Learning Approach to Domain Adaptive Object Detection 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.520sys.cn/xp/1763632511a1692593.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。