Adaptive Object Detection mit Dualer Multi-Label-Vorhersage

In diesem Artikel stellen wir ein neuartiges end-to-end unsupervised tiefes Domänenanpassungsmodell für adaptive Objektdetektion vor, das die mehrfach-labelbasierte Objekterkennung als dualer Hilfsaufgabe nutzt. Das Modell nutzt die Vorhersagen bei mehrfach-labelbasierten Klassifikationen, um die Objektkategorieninformationen in jedem Bild zu erschließen, und verwendet anschließend diese Vorhersageresultate zur Durchführung einer bedingten adversarialen globalen Merkmalsausrichtung. Auf diese Weise kann die multimodale Struktur der Bilddaten erfasst und die Domänenabweichung auf der Ebene der globalen Merkmale überbrückt werden, während gleichzeitig die Diskriminativität der Merkmale erhalten bleibt. Darüber hinaus führen wir eine Vorhersagekonsistenz-Regularisierungsmechanismus ein, um die Objektdetektion zu unterstützen. Dieser Mechanismus nutzt die Ergebnisse der mehrfach-labelbasierten Vorhersage als zusätzliche Regularisierungsinfo, um eine konsistente Entdeckung der Objektkategorien zwischen der Objekterkennungsaufgabe und der Objektdetektionsaufgabe sicherzustellen. Experimente wurden auf mehreren Benchmark-Datensätzen durchgeführt, und die Ergebnisse zeigen, dass das vorgeschlagene Modell die state-of-the-art-Verfahren übertrifft.