特征互斥化的目标检测域适应方法

doi:10.3778/j.issn.1002-8331.2301-0103

摘要/摘要

摘要：当前，蒸馏学习已成为目标检测无监督域适应领域中的一种常用技术手段。然而蒸馏带来的特征偏移会导致目标域上伪标签的准确性较低，不利于目标域的精确检测。因此提出特征互斥化方法，包括特征分布互斥化和特征属性互斥化。其中特征分布互斥化鼓励网络对不同类别的特征分布进行互斥，特征属性互斥化促使分类器对不同类别主要使用的属性进行互斥。还提出强弱增强一致性方法对网络的预测输出进行一致性约束，促使网络提取的特征中主要包含与目标域检测相关的属性，进一步提高特征互斥化方法的效果。所提方法在多个域适应场景上进行了广泛的实验，在相同实验设置下的结果表明，所提方法较其他先进方法具有更好的有效性。

关键词: 目标检测, 无监督域适应, 蒸馏学习, 计算机视觉

摘要：近年来，在无监督目标检测领域自适应中，蒸馏学习已成为一种常用的技术手段。然而，由于蒸馏的特征偏移，在目标域上获得的伪标量的精度不太准确，这对目标域的精确检测有一定的负面影响。为此，提出了一种特征互斥方法，包括特征分布互斥和特征属性互斥。特征分布互斥用于提示不同类别的特征分布相互排斥，而特征属性互斥实现了分类器在对不同类别特征进行分类时主要依赖互斥属性。此外，提出了一种强-弱增强一致性方法来约束网络预测的一致性，使网络提取的特征主要包含与目标域检测相关的属性，从而提高了特征互斥方法的效果。对几个领域适应场景进行了广泛的实验。结果表明，在相同的实验条件下，该方法与其他先进方法相比是有效的。

关键词： 目标检测，无监督领域适应，蒸馏学习，计算机视觉

李润泽, 王子磊. 特征互斥化的目标检测域适应方法[J] ●●●●。计算机工程与应用, 2024, 60(10): 198-208.

李润泽、王子雷。基于特征互斥的领域自适应目标检测方法[J]。计算机工程与应用，2024，60（10）：198-208。

参考文献

[1] 潘世杰，杨强.迁移学习研究[J]。IEEE知识与数据工程汇刊，2009，22（10）：1345-1359。
[2] 邱颖豫, 张柯, 杨欣毅. 面向旋转机械故障诊断的深度流形迁移学习[J] ●●●●。计算机工程与应用, 2022, 58(12): 289-298.
邱义勇，张凯，杨晓勇.不同工况下旋转机械故障诊断的深度流形传递学习方法[J]。计算机工程与应用，2022，58（12）：289-298。
[3] 赵鹏飞，李艳玲，林民. 结合胶囊网络的领域适应意图识别[J] ●●●●。计算机工程与应用, 2021, 57(21): 188-194.
赵鹏飞，李永利，林明.结合胶囊网络的领域适应意向检测[J]。计算机工程与应用，2021，57（21）：188-194。
[4] CAI Q，PAN Y，NGO C W，et al.探索平均教师跨域检测中的对象关系[C]//2019 IEEE/CVF计算机视觉与模式识别会议论文集，2019:11457-11466。
[5] TARVAINEN A，VALPOLA H.加权平均一致性目标改善了半监督深度学习结果[J]。arXiv:1703.017802017年。
[6] 邓J，李伟，陈毅，等.跨域目标检测的无偏平均教师[C]//2021 IEEE/CVF计算机视觉与模式识别会议论文集，2021:4091-4101。
[7] ZHU J Y，PARK T，ISOLA P，et al.使用循环一致性对抗网络的非成对图像到图像转换[C]//2017 IEEE计算机视觉国际会议论文集，2017:2223-232。
[8] 刘伟，安格洛夫D，埃尔罕D，等.SSD:单次多盒探测器[C]//第十四届欧洲计算机视觉会议论文集。查姆：斯普林格，2016:21-37。
[9] REDMON J，DIVALA S，GIRSICK R等。你只看一次：统一的实时物体检测[C]//2016年IEEE计算机视觉和模式识别会议论文集，2016:777-788。
[10] REN S，HE K，GIRSICK R，et al.更快的R-CNN：使用区域建议网络实现实时对象检测[C]//神经信息处理系统的进展282015。
[11] 田Z，沈C，陈H，等.FCOS:全卷积一步目标检测[C]//2019 IEEE/CVF国际计算机视觉会议论文集，2019:9627-9636。
[12] GE Z，LIU S，WANG F，等.YOLOx:2021年超越YOLO系列[J]。arXiv:2107.084302021。
[13] CARION N，MASSA F，SYNNAEVE G，等.用变压器进行端到端目标检测[C]//第16届欧洲计算机视觉会议论文集。查姆：施普林格，2020年：213-229。
[14] 李峰，张华，刘斯，等。DN-DETR：通过引入查询去噪加速DETR训练[C]//2022 IEEE/CVF计算机视觉与模式识别会议论文集，2022:13619-13627。
[15] KIM T，JEONG M，KIM S，等.多样化与匹配：一种用于目标检测的领域自适应表示学习范式[C]//2019 IEEE/CVF计算机视觉与模式识别会议论文集，2019:12456-12465。
[16] HSU H K，YAO C H，TSAI Y H，等.用于目标检测的渐进域自适应[C]//2020 IEEE/CVF计算机视觉应用冬季会议论文集，2020：749-757。
[17] CHEN Y，LI W，SAKARIDIS C，et al.用于野外目标检测的域自适应快速R-CNN[C]//2018 IEEE计算机视觉与模式识别会议论文集，2018:3339-3348。
[18] SAITO K，USHIKU Y，HARADA T，et al.用于自适应目标检测的强-弱分布对准[C]//2019 IEEE/CVF计算机视觉和模式识别会议论文集，2019:6956-6965。
[19] 何Z，张L.用于无限制目标检测的多变量快速RCNN[C]//2019 IEEE/CVF国际计算机视觉会议论文集，2019:6668-6677。
[20] CHEN C，ZHENG Z，DING X，et al.协调可转移性和可区分性以适应目标检测器[C]//2020 IEEE/CVF计算机视觉和模式识别会议论文集，2020：8869-8878。
[21]CHEN C，ZHENG Z，HUANG Y，et al.I3Net:用于适应单阶段目标检测器的隐式实例-变量网络[C]//2021 IEEE/CVF计算机视觉和模式识别会议论文集，2021:12576-12585。
[22]LI C，DU D，ZHANG L，et al.无监督领域自适应的空间注意力金字塔网络[C]//第16届欧洲计算机视觉会议论文集，格拉斯哥，2020：481-497。
[23]VS V，GUPTA V，OZA P，et al.Mega-CDA：分类软件无监督领域自适应目标检测的记忆引导注意力[C]//2021年IEEE/CVF计算机视觉和模式识别会议论文集，2021:4516-4526。
[24]ZHANG Y，WANG Z，MAO Y.领域自适应目标检测器的RPN原型对准[C]//2021 IEEE/CVF计算机视觉和模式识别会议论文集，2021:12425-12434。
[25]CHEN C，LI J，ZHENG Z，et al.对偶二部图学习：域自适应目标检测的一般方法[C]//2021 IEEE/CVF国际计算机视觉会议论文集，2021:2703-2712。
[26]王毅，张荣，张S，等.自适应目标检测的领域特定抑制[C]//2021 IEEE/CVF计算机视觉与模式识别会议论文集，2021:9603-9612。
[27]WU A，LIU R，HAN Y，et al.基于矢量分解的域内目标检测解纠缠方法[C]//2021 IEEE/CVF国际计算机视觉会议论文集，2021:9342-9351。
[28]REZAEIANARAN F，SHETTY R，ALJUNDI R，et al.求同存异：基于相似性的自适应目标检测领域对齐[C]//2021 IEEE/CVF国际计算机视觉会议论文集，2021:9204-9213。
[29]赵L，王L.领域自适应对象检测的特定任务不一致性对齐[C]//2022年IEEE/CVF计算机视觉和模式识别会议论文集，2022:14217-14226。
[30]李伟，刘X，袁Y.SIGMA:用于领域自适应对象检测的语义完全图匹配[C]//2022年IEEE/CVF计算机视觉与模式识别会议论文集，2022:5291-5300。
[31]周伟，杜德，张磊，等.用于目标检测的多粒度对齐域自适应[C]//2022 IEEE/CVF计算机视觉与模式识别会议论文集，2022:9581-9590。
[32]于杰，刘杰，魏霞，等.基于均值-导频变换的跨域目标检测[J]。arXiv:2205.016432022。
[33]徐C D，赵X R，金X，等.探索领域自适应目标检测的分类正则化方法[C]//2020 IEEE/CVF计算机视觉与模式识别会议论文集，2020：11724-11733。
[34]GANIN Y，USTINOVA E，AJAKAN H等。神经网络的领域对抗性训练[J]。机器学习研究杂志，2016，17（1）：2096-2130。
[35]KIM S，CHOI J，KIM T，et al.无监督领域自适应单阶段目标检测的自训练和对抗背景正则化[C]//2019 IEEE/CVF计算机视觉国际会议论文集，2019:6092-6101。