オブジェクト検出のためのプログレッシブドメイン適応

近年の物体検出におけるディープラーニング手法は、大量のバウンディングボックスアノテーションに依存している。これらのアノテーションを収集することは手間がかかり、コストも高いが、教師ありモデルは異なる分布からの画像に対しては一般化性能が十分に発揮されない。ドメイン適応は、既存のラベルをターゲットのテストデータに適応させることで、この問題に解決策を提供する。しかし、ドメイン間の大きなギャップは適応を困難な課題にし、訓練プロセスの不安定化や最適でない結果を引き起こす。本論文では、中間ドメインを導入し、より容易な適応サブタスクを段階的に解決することで、ドメインギャップを埋めることを提案する。この中間ドメインは、ソース画像をターゲットドメインの画像に模倣するように変換することで構築される。ドメインシフト問題に対処するため、特徴空間における分布の整合を実現するために敵対学習を採用する。さらに、中間ドメインにおける画像品質の不均衡に対応するため、重み付きタスク損失を導入する。実験結果から、本手法はターゲットドメインにおける性能において、最先端手法と比較しても優れた結果を示した。