Assessing Domain Gap for Continual Domain Adaptation in Object Detection

要約

【タイトル】物体検出における領域適応継続のための領域ギャップ評価の評価

【要約】
– 物体検出は、時間帯や天気、季節などの環境的な要因による外観の変化に適応できる必要がある。
– 連続的に検出器を適応させることは有望だが、計算量が多くかかる。
– 提案手法は、現在のトレーニングデータと同じ分布を持たない新しいデータを使用して、必要に応じて検出器を選択的に適応させること。
– 領域ギャップ評価の3つの一般的なメトリックスを調査した結果、領域ギャップと検出精度に相関があることがわかった。
– したがって、領域ギャップを基準にして、いつ適応すべきかを決定することができる。
– 実験では、環境条件がサイクル的に変化する実世界のシナリオにおいて、検出器の効率を改善する可能性があることが示された。
– コードはhttps://github.com/dadung/DGE-CDAで公開されている。

要約(オリジナル)

To ensure reliable object detection in autonomous systems, the detector must be able to adapt to changes in appearance caused by environmental factors such as time of day, weather, and seasons. Continually adapting the detector to incorporate these changes is a promising solution, but it can be computationally costly. Our proposed approach is to selectively adapt the detector only when necessary, using new data that does not have the same distribution as the current training data. To this end, we investigate three popular metrics for domain gap evaluation and find that there is a correlation between the domain gap and detection accuracy. Therefore, we apply the domain gap as a criterion to decide when to adapt the detector. Our experiments show that our approach has the potential to improve the efficiency of the detector’s operation in real-world scenarios, where environmental conditions change in a cyclical manner, without sacrificing the overall performance of the detector. Our code is publicly available at https://github.com/dadung/DGE-CDA.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI