AIR-DA: Adversarial Image Reconstruction for Unsupervised Domain Adaptive Object Detection

要約

教師なしドメインの適応オブジェクト検出は、オブジェクト検出器がラベルの豊富なソース ドメインからラベルのないターゲット ドメインに適応される、困難なビジョン タスクです。
最近の進歩は、特徴抽出器とドメイン弁別器の間の敵対的トレーニングが特徴空間のドメイン不変性をもたらす、敵対的ベースのドメイン配置の有効性を証明しています。
ただし、ドメイン シフトにより、特に低レベルの機能に関するドメインの識別は簡単な作業です。
これにより、ドメイン弁別器と特徴抽出器の間の敵対的トレーニングの不均衡が生じます。
この作業では、補助的な正則化タスクを導入してトレーニングのバランスを改善することにより、より優れたドメイン アラインメントを達成します。
具体的には、特徴抽出器の敵対的トレーニングを容易にする正則化器として敵対的画像再構成 (AIR) を提案します。
さらに、適応パフォーマンスを向上させるために、マルチレベルの機能アライメントモジュールを設計します。
挑戦的なドメインシフトのいくつかのデータセットにわたる私たちの評価は、提案された方法が、ほとんどの設定で、1 段階と 2 段階の両方の以前のすべての方法よりも優れていることを示しています。

要約(オリジナル)

Unsupervised domain adaptive object detection is a challenging vision task where object detectors are adapted from a label-rich source domain to an unlabeled target domain. Recent advances prove the efficacy of the adversarial based domain alignment where the adversarial training between the feature extractor and domain discriminator results in domain-invariance in the feature space. However, due to the domain shift, domain discrimination, especially on low-level features, is an easy task. This results in an imbalance of the adversarial training between the domain discriminator and the feature extractor. In this work, we achieve a better domain alignment by introducing an auxiliary regularization task to improve the training balance. Specifically, we propose Adversarial Image Reconstruction (AIR) as the regularizer to facilitate the adversarial training of the feature extractor. We further design a multi-level feature alignment module to enhance the adaptation performance. Our evaluations across several datasets of challenging domain shifts demonstrate that the proposed method outperforms all previous methods, of both one- and two-stage, in most settings.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google