Zerlegung zur Anpassung: Kreuzdomänen-Objekterkennung mittels Merkmalsentflechtung

Neuere Fortschritte in unsupervised Domain Adaptation (UDA)-Techniken haben erheblichen Erfolg bei cross-domain Aufgaben im Bereich des Computersehens erzielt, indem sie die Generalisierungsfähigkeit datengetriebener tiefer neuronalen Architekturen durch die Überbrückung von Domänenverteilungsunterschieden verbessern. Bei UDA-basierten Methoden für die cross-domain Objektdetektion reduzieren die meisten den Domänenbias durch die induzierte Generierung von domäneninvarianten Merkmalen mittels eines adversarialen Lernansatzes. Allerdings weisen ihre Domänen-Diskriminatoren aufgrund des instabilen adversarialen Trainingsprozesses eine begrenzte Klassifikationsfähigkeit auf. Folglich können die dadurch extrahierten Merkmale nicht vollständig domäneninvariant sein und enthalten weiterhin domänenspezifische Faktoren, was erhebliche Hindernisse für eine weitere Verringerung der cross-domain Diskrepanz darstellt. Um dieses Problem zu bewältigen, entwickeln wir einen Domain Disentanglement Faster-RCNN (DDF), der informationsrelevante, quellenspezifische Inhalte in den Merkmalen für den Detektionsaufgabenlernprozess eliminieren soll. Unser DDF-Verfahren fördert die Merkmals-Disentanglement sowohl auf globaler als auch auf lokaler Ebene durch einen Global Triplet Disentanglement (GTD)-Modul und einen Instance Similarity Disentanglement (ISD)-Modul. Durch die Überlegenheit gegenüber aktuellen State-of-the-Art-Methoden auf vier etablierten Benchmark-UDA-Objektdetektionsaufgaben wird die Wirksamkeit und breite Anwendbarkeit unseres DDF-Verfahrens nachgewiesen.