Improving Online Source-free Domain Adaptation for Object Detection by Unsupervised Data Acquisition

要約

自動運転車における効果的な物体検出は、多様で不慣れな環境への導入によって課題が生じます。
オンライン ソースフリー ドメイン アダプテーション (O-SFDA) は、ターゲット ドメインからのラベルなしデータのストリームをオンラインで使用してモデルの適応を提供します。
ただし、キャプチャされたすべてのフレームに、特に冗長データやクラスの不均衡の問題が存在する場合には、適応に有益な情報が含まれているわけではありません。
この論文では、教師なしデータ収集を通じて適応物体検出のための O-SFDA を強化する新しいアプローチを紹介します。
私たちの方法論では、オンライン トレーニング プロセスに含める最も有益なラベルのないフレームを優先します。
実世界のデータセットでの経験的評価により、私たちの方法が既存の最先端の O-SFDA 技術よりも優れていることが明らかになり、適応物体検出器を改善するための教師なしデータ収集の実行可能性が実証されました。

要約(オリジナル)

Effective object detection in autonomous vehicles is challenged by deployment in diverse and unfamiliar environments. Online Source-Free Domain Adaptation (O-SFDA) offers model adaptation using a stream of unlabeled data from a target domain in an online manner. However, not all captured frames contain information beneficial for adaptation, especially in the presence of redundant data and class imbalance issues. This paper introduces a novel approach to enhance O-SFDA for adaptive object detection through unsupervised data acquisition. Our methodology prioritizes the most informative unlabeled frames for inclusion in the online training process. Empirical evaluation on a real-world dataset reveals that our method outperforms existing state-of-the-art O-SFDA techniques, demonstrating the viability of unsupervised data acquisition for improving the adaptive object detector.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google