基于域内域间语义一致性约束的域自适应目标检测方法
在目标检测任务中,当训练集和测试集来自不同应用场景时,通常存在检测性能下降问题,这源于不同场景的数据间存在域偏移(domain shift).收集不同场景的数据费时费力,且会增加模型部署成本,降低模型使用效率.针对这一问题,本文从强化特征的语义一致性以获得更好的域无关特征的思路出发,提出基于域内域间语义一致性约束的域自适应目标检测方法.首先,本文考虑了特征解耦过程中的特征域内一致性,提出了一种基于正交分离特征的正交关系一致性约束,该约束能够保留解耦前后特征中的语义信息,以此强化域内特征一致性,从而提升模型识别的准确率.进一步地,本文考虑了在不同域间解耦后特征的域间一致性,引入了基于伪标签的对比学习机制,将来自不同域间的实例级特征进行对齐,以此保证域间特征一致性来提升模型的跨域性能.为验证本文所提出的方法,在本领域常用的数据集Cityscapes-FoggyCityscapes上进行了测试,相对于基线方法本文所提出的方法取得了3.1％的平均准确率(mAP)提升,其中在部分特定子类上提升达到6％;相比较最新方法也有约1％的平均准确率提升.本文还在KITTI-Cityscapes和Sim10K-Cityscapes数据集上测试了所提方法,实验结果表明本方法在其它数据集上也能取得良好的域自适应效果.
域自适应、目标检测、深度学习、特征解耦、对比学习
46
TP18(自动化基础理论)
国家自然科学基金;国家自然科学基金;之江实验室开放课题
2023-04-20（万方平台首次上网日期，不代表论文的发表时间）
共16页
827-842
