野生環境での物体検出のためのドメイン適応型Faster R-CNN

物体検出は通常、学習データとテストデータが同一の分布から抽出されているという前提に基づいています。しかし、実際にはこの前提が常に成り立つわけではありません。このような分布の不一致は、性能に大幅な低下をもたらす可能性があります。本研究では、物体検出のクロスドメインロバスト性の向上を目指します。ドメインシフトに対処するため、以下の2つのレベルでアプローチを行います：1) 画像レベルのシフト（画像スタイル、照明など）、2) インスタンスレベルのシフト（物体の外観、サイズなど）。当方は最新の最先端モデルであるFaster R-CNNを基盤として使用し、画像レベルとインスタンスレベルの2つのドメイン適応コンポーネントを設計することで、ドメイン間の差異を軽減します。これらの2つのドメイン適応コンポーネントはH-ダイバージェンス理論に基づいており、敵対的訓練手法によりドメイン分類器を学習することによって実装されます。異なるレベルでのドメイン分類器は一貫性正則化によって強化され、Faster R-CNNモデル内の領域提案ネットワーク（Region Proposal Network, RPN）がドメイン不変性を持つように学習されます。新しく提案したアプローチはCityscapes, KITTI, SIM10Kなどの複数のデータセットを使用して評価されました。結果は、様々なドメインシフト状況下での堅牢な物体検出において提案手法の有効性を示しています。