MILA: Gedächtnisbasierte instanzbasierte Anpassung für domainspezifische Objekterkennung

Die cross-domain-Objekterkennung ist herausfordernd und erfordert die Ausrichtung von beschrifteten Quell- und unbeschrifteten Zielbereichen. Bisherige Ansätze haben adversariales Training eingesetzt, um Merkmale sowohl auf Bild- als auch auf Instanzebene auszurichten. Auf Instanzebene ist die Suche nach einer geeigneten Quellinstanz, die mit einer Zielinstanz übereinstimmt, entscheidend. Eine Quellinstanz gilt als geeignet, wenn sie sich von der Zielinstanz nur im Domänenaspekt unterscheidet, jedoch nicht in unwichtigen Merkmalen wie Orientierung oder Farbe, da diese die Fokussierung des Modells auf die Ausrichtung der Domänenunterschiede beeinträchtigen können. Allerdings stoßen bestehende Methoden zur Instanzebene-Merkmalsausrichtung auf Schwierigkeiten, geeignete Quellinstanzen zu finden, da ihr Suchraum auf Mini-Batches beschränkt ist. Mini-Batches sind oft so klein, dass sie nicht immer geeignete Quellinstanzen enthalten. Die geringe Vielfalt innerhalb von Mini-Batches wird besonders problematisch, wenn die Zielinstanzen eine hohe intra-klassen-Varianz aufweisen. Um dieses Problem zu lösen, schlagen wir einen auf Speicher basierenden Ansatz zur Instanzebene-Domänenanpassung vor. Unser Verfahren ordnet eine Zielinstanz der ähnlichsten Quellinstanz derselben Kategorie zu, die aus einem Speichermedium abgerufen wird. Konkret führen wir ein Speichermodul ein, das dynamisch die gepoolten Merkmale aller beschrifteten Quellinstanzen nach ihren Labels kategorisiert speichert. Zusätzlich stellen wir ein einfaches, aber wirksames Speicherabrufmodul vor, das für Zielinstanzen eine Menge passender Speicherplätze abruft. Unsere Experimente an verschiedenen Szenarien mit Domänenverschiebung zeigen, dass unser Ansatz bestehende, nicht auf Speicher basierende Methoden erheblich übertrifft.