面向领域的自监督预训练在素描中的人脸和身体检测

绘图是强有力的图像抽象和交流手段。理解和分析各种形式的绘图，包括数字艺术、卡通和漫画，一直是计算机视觉和计算机图形学领域的重大研究课题。尽管从漫画书和卡通中可以获得大量数字化绘图，但这些绘图包含广泛的艺术风格变化，这需要昂贵的手动标注来训练特定领域的识别器。在本研究中，我们展示了如何利用基于教师-学生网络的自监督学习方法，并通过改进的学生网络更新设计来构建面部和身体检测器。我们的设置允许在目标域中有大量未标注数据的情况下，仅对其中的一小部分提供标签即可进行利用。此外，我们还证明了可以在学习流程中融入风格迁移技术，以利用来自自然图像（即现实世界中的图像）的大量域外已标注图像来引导检测器的训练。我们的综合架构能够在最小化标注工作量的前提下实现最先进的（SOTA）和接近最先进的（near-SOTA）性能。我们的代码可以从 https://github.com/barisbatuhan/DASS_Detector 获取。