【目标检测】开源 | 中山大学--区域方案定位与分类的协同训练用于区域自适应目标检测

论文地址： http://arxiv.org/pdf/2009.08119v2.pdf

代码： https://github.com/ganlongzhao/cst_da_detection.

来源： 中山大学

论文名称：Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection

原文作者：Ganlong Zhao

内容提要

目标检测器通常使用大量标记数据进行训练，这是昂贵且劳动密集型的。预先训练好的检测器在应用于未标记数据集时，往往会受到数据集分布差异的影响，也称为域偏移。目标检测的领域适应试图使检测器从带标记的数据集适应到未带标记的数据集，从而获得更好的性能。在本文中，我们首次揭示了特有的两级检测器(如Faster RCNN)中的区域建议网络(RPN)和区域建议分类器(RPC)在面对大域间隙时表现出显著不同的可转移性。区域分类器表现出较好的性能，但在没有RPN高质量方案的情况下存在局限性，在主干网中进行简单的配准不足以有效地适应RPN。本文深入研究了RPN和RPC的一致性和差异性，将它们单独对待，利用其中一个的高可信度输出相互引导、培训。并利用置信度较低的样本进行RPN与RPC的差异计算和minimax优化。在各种场景下的大量实验结果证明了本文方法在域自适应区域方案生成和目标检测方面的有效性。

主要框架及实验结果