STFAR: Improving Object Detection Robustness at Test-Time by Self-Training with Feature Alignment Regularization

要約

タイトル：自己学習による特徴量整列規則化によるテスト時間における物体検出のロバスト性の向上(STFAR: Improving Object Detection Robustness at Test-Time by Self-Training with Feature Alignment Regularization)

要約：

– ドメイン適応は、目標ドメインデータと分布シフトを考慮した物体検出モデルの汎化に役立つ。これは、一般的に、目標ドメインデータ全体にアクセスすることで実現される。現実のシナリオでは、目標分布は予測できないことが多いため、テスト時間におけるオブジェクト検出モデルの適応（TTA）を探求することになる。
– この研究では、TTAオブジェクト検出（TTAOD）を2つの視点からアプローチする。まず、指数移動平均モデルを用いて疑似ラベルオブジェクトを生成するための自己学習パラダイムを採用する。疑似ラベルは、ソースドメインモデルの適応を監督するためにさらに使用される。自己学習は誤った疑似ラベルに陥る傾向があるため、自己学習に特徴量分布を整列させる2つの出力レベルで正規化を組み込む。
– TTAODのパフォーマンスを検証するために、3つの標準的な物体検出データセットに基づくベンチマークを作成し、一般的なTTAメソッドを物体検出タスクに適用する。幅広い評価は、提案された方法がTTAODタスクで最新技術を設定することを示唆している。

要約(オリジナル)

Domain adaptation helps generalizing object detection models to target domain data with distribution shift. It is often achieved by adapting with access to the whole target domain data. In a more realistic scenario, target distribution is often unpredictable until inference stage. This motivates us to explore adapting an object detection model at test-time, a.k.a. test-time adaptation (TTA). In this work, we approach test-time adaptive object detection (TTAOD) from two perspective. First, we adopt a self-training paradigm to generate pseudo labeled objects with an exponential moving average model. The pseudo labels are further used to supervise adapting source domain model. As self-training is prone to incorrect pseudo labels, we further incorporate aligning feature distributions at two output levels as regularizations to self-training. To validate the performance on TTAOD, we create benchmarks based on three standard object detection datasets and adapt generic TTA methods to object detection task. Extensive evaluations suggest our proposed method sets the state-of-the-art on test-time adaptive object detection task.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI