Diversifizieren und Anpassen: Ein Paradigma des domänenadaptiven Repräsentationslernens für die Objekterkennung

Wir stellen einen neuen Ansatz für die unüberwachte Domänenanpassung bei der Objekterkennung vor. Unser Ziel ist es, das Problem der unvollständigen Übersetzung auf Pixel-Ebene und das Problem der quellenverzerrten Diskriminierbarkeit auf Merkmals-Ebene gleichzeitig zu lindern. Unser Ansatz besteht aus zwei Phasen, nämlich Domänenverschiedenheit (DD) und Mehrdomänen-invariante Darstellungslernen (MRL). In der DD-Phase divergieren wir die Verteilung der etikettierten Daten, indem wir verschiedene einzigartige verschobene Domänen aus dem Quellbereich generieren. In der MRL-Phase wenden wir ein adversariales Lernen mit einem Mehrdomänen-Diskriminator an, um die Merkmale zwischen den Domänen nicht unterscheidbar zu machen. DD behebt das Problem der quellenverzerrten Diskriminierbarkeit, während MRL die unvollständige Bildübersetzung mildert. Wir konstruieren ein strukturiertes Rahmenwerk für unsere Lernparadigmen und führen eine praktische Implementierungsmethode für DD ein. Unsere Methode übertrifft die besten bisher bekannten Methoden um einen erheblichen Marginalwert von 3% bis 11% in Bezug auf den mittleren Durchschnitts-Präzisionswert (mAP) auf verschiedenen Datensätzen.