【CVPR 2019】Strong-Weak Distribution Alignment for Adaptive Object Detection
1 介绍
此文章是【CVPR 2019】的文章,主要讲述了Strong-Weak的DA方法;
2 原文链接
《Strong-Weak Distribution Alignment for Adaptive Object Detection》
3 论文译读
3.0 摘要
作者提出了一种用于目标检测的从label-rich到label-poor域的无监督自适应方法,该方法可以极大地降低检测任务中的标注成本。近期,一些方法使用对抗损失对源图像和目标图像的分布进行对齐,这些方法被正式在自适应目标分类器上证明是有效的。然而,对于目标检测,对源图像和目标图像的分布在全局图像级别上进行完全匹配可能无法成功,因为域之间可能会有不同的场景布局和目标对象的不同组合。在另一方面,对如纹理和色彩等局部特征的强匹配是有道理的,因为强匹配不会改变类别层面的语义。这启发我们提出一种新的方法,基于强局部对齐和弱全局对齐进行检测器自适应。本文的主要贡献在于弱对齐模型使用对抗对齐损失关注全局相似图像,而相对来说弱化对全局不相似图像的对齐。除此之外,作者设计了一种强域对齐模型仅观测特征图的局部感受野。实验证明了所提出方法在包含重域飘逸和轻域飘逸的四项数据集上是有效的。
3.1 引言
深度卷积神经网络极大地提升了目标识别精度【18_2012ImageNetCNN】,但是仍然依赖于大量用于训练的标注数据。对于目标检测,数据标注是特别繁重的:每张图像中单个目标类别的每个实例都需要用精确的限位框标注出来。从label-rich的域中迁移预训练模型是一项具有吸引力的解决方案,但是数据集偏差常常会降低模型在新数据上的泛化性能【31_2010AdaptingVC】。
【CVPR 2019】Strong-Weak Distribution Alignment for Adaptive Object Detection相关推荐
- 【尺度不变性】An Analysis of Scale Invariance in Object Detection – SNIP 论文解读
[尺度不变性]An Analysis of Scale Invariance in Object Detection – SNIP 论文解读 前言 本来想按照惯例来一个overview的,结果看到1篇 ...
- 【论文翻译】FCOS3D: Fully Convolutional One-Stage Monocular 3D Object Detection
文章目录 PaperInfo Abstract 1 Introduction 2 Related Work 2D Object Detection Monocular 3D Object Detect ...
- 【论文翻译】UniT: Unified Knowledge Transfer for Any-Shot Object Detection and Segmentation
UniT: Unified Knowledge Transfer for Any-Shot Object Detection and Segmentation UniT:任意样本量的目标检测和分割的统 ...
- 【论文翻译】Orthographic Feature Transform for Monocular 3D Object Detection
标题:<Orthographic Feature Transform for Monocular 3D Object Detection> 作者:Thomas Roddick, Alex ...
- 【文献阅读】Perceptual Generative Adversarial Networks for Small Object Detection –CVPR-2017
Perceptual Generative Adversarial Networks for Small Object Detection 2017CVPR 新鲜出炉的paper,这是针对small ...
- 【论文翻译】YOLOv4: Optimal Speed and Accuracy of Object Detection
<YOLOv4: Optimal Speed and Accuracy of Object Detection> 链接地址 发表会议: CVPR 2020 Alexey Bochkovsk ...
- 【CVPR 2019】Semantic Image Synthesis with Spatially-Adaptive Normalization(SPADE)
文章目录 Introduction 3. Semantic Image Synthesis Spatially-adaptive denormalization. conclusion # 空间自适应 ...
- 【论文阅读】An Analysis of Scale Invariance in Object Detection – SNIP
An Analysis of Scale Invariance in Object Detection – SNIP 一.角度 基于CNN的检测器是对尺寸敏感的,所以要做到通过训练的多样化和专一化为为 ...
- 【论文笔记】YOLOv4: Optimal Speed and Accuracy of Object Detection
简介: 笔者原本计划接着解读一篇有关NAS的文章的,奈何今天YOLOv4突然闪亮登场,经不住诱惑,那篇有关NAS的文章就只能后面再写了.好了,废话不多说,进入正题. 论文链接 代码链接 本文链接 前言 ...
最新文章
- 【青少年编程】【一级】小狗散步
- Algorithm:C++语言实现之链表相关算法(单链公共结点问题、一般LCA、括号匹配、最长括号匹配、逆波兰表达式Reverse Polish Notation、直方图矩形面积、收集雨水问题)
- linux中一些简便的命令之wc
- 3-08. 栈模拟队列(25)(ZJU_PAT 模拟)
- 【译】Jumping into Solidity — The ERC721 Standard (Part 3)
- kibana操作elasticsearch:创建映射字段
- Sereja and Brackets CodeForces - 380C (线段树+分治思路)
- mysql按升序创建索引_MySQL 降序索引
- dedecms联动筛选_DEDECMS分类信息按联动类别筛选的实现方法
- python 面向对象的封装_Python面向对象封装操作案例详解
- SEAndroid语法介绍
- 蓝桥杯2019年第十届C/C++省赛第六题-旋转
- HP FC MSA2000服务器raid数据恢复成功案例
- 基于OneNET物联网平台和GPRS网络继电器SAC07GSA的共享经济方案简介
- 80386异常和中断
- 记录一次自己搭建服务器的历程(机架式服务器,Linux系统)
- python中实现函数不限制参数的数量
- OCR技术1-字符识别技术总览
- 雷电模拟器激活面具magisk教程
- 如何给PDF设置可跳转目录的2种方法