Object-Aware Domain Generalization for Object Detection

要約

単一ドメイン一般化 (S-DG) は、単一ソース ドメインを使用してモデルを目に見えない環境に一般化することを目的としています。
ただし、ほとんどの S-DG アプローチは分類の分野で実施されています。
これらのアプローチを物体検出に適用すると、一部の物体の意味論的特徴が損なわれる可能性があり、不正確な物体の位置特定や誤分類につながる可能性があります。
これらの問題に対処するために、オブジェクト検出における単一ドメイン一般化のためのオブジェクト認識ドメイン一般化 (OA-DG) 手法を提案します。
私たちの手法はデータ拡張とトレーニング戦略で構成されており、それぞれ OA-Mix と OA-Loss と呼ばれます。
OA-Mix は、マルチレベル変換とオブジェクト認識混合戦略を使用してマルチドメイン データを生成します。
OA-Loss を使用すると、モデルは元の画像と OA-Mixed 画像からオブジェクトと背景のドメイン不変表現を学習できます。
私たちが提案した手法は、標準的なベンチマークで最先端の手法を上回ります。
私たちのコードは https://github.com/WoojuLee24/OA-DG で入手できます。

要約(オリジナル)

Single-domain generalization (S-DG) aims to generalize a model to unseen environments with a single-source domain. However, most S-DG approaches have been conducted in the field of classification. When these approaches are applied to object detection, the semantic features of some objects can be damaged, which can lead to imprecise object localization and misclassification. To address these problems, we propose an object-aware domain generalization (OA-DG) method for single-domain generalization in object detection. Our method consists of data augmentation and training strategy, which are called OA-Mix and OA-Loss, respectively. OA-Mix generates multi-domain data with multi-level transformation and object-aware mixing strategy. OA-Loss enables models to learn domain-invariant representations for objects and backgrounds from the original and OA-Mixed images. Our proposed method outperforms state-of-the-art works on standard benchmarks. Our code is available at https://github.com/WoojuLee24/OA-DG.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google