Domain adaptive faster-rcnn for object detection in the wild 论文笔记

最新推荐文章于 2023-02-20 15:03:15 发布
最新推荐文章于 2023-02-20 15:03:15 发布
阅读量6.1k 收藏 19
点赞数 4
CC 4.0 BY-SA版权
分类专栏： Paper_Notes 目标检测论文笔记 文章标签： domain adaptive faster-rcnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_18882399/article/details/81188573
该论文介绍了2018年CVPR上的一项研究，通过对Faster-RCNN的改进，实现领域自适应，特别适用于雾天和光照不佳条件下的目标检测。主要贡献包括从概率统计角度分析domain shift，设计了图像级和实例级的适应分支，并通过一致性正则化实现域不变性。最终，通过对抗训练和分布对齐策略，使得模型能在源域和目标域之间进行有效迁移。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

2018年CVPR文章，基于Faster-RCNN，进行领域自适应改进（似迁移学习），用在进行雾气，光线不良情况下的野外迁移探测活动（复杂多变的场景）

解决domain shift

1.image level :scale,style,illumination
2.instance level:obj appearance ,size and orientation

主要贡献

1.概率统计论的角度分析domain shift的成因和解决方法
2.设计了2个domain adaptation分支（img level&instance level）
3.利用consistency regularization 使得RPN domain-invariant
4.所有分支构建于faster-rcnn实现end-to-end（之前的AD model大多是想方试法使得source和target尽可能拥有相近的分布或者表示，然后进行后续识别或者分类）

Distribution Alignment with H-divergence

这里写图片描述
以上的domain distance用来衡量两组来自不同分布的抽样间差异，为了使resource和target尽可能接近只需最小化domain distance即可：
这里写图片描述

最低0.47元/天 解锁文章

200万优质内容无限畅学
域适应目标检测：DA Faster R-CNN论文笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 3273
论文题目：《Domain Adaptive Faster R-CNN for Object Detection in the Wild》 本文提出了一种有效解决跨域目标检测问题的域适应Faster R-CNN算法，可以实现在不使用任何附加标记数据的情况下获得新领域鲁棒性的检测器。作者在对跨域目标检测理论分析的基础上，提出了一个图像级自适应组件和实例级自适应组件来缓解由域偏移引起的模型性能下降的问题
域适应目标检测：DA Faster R-CNN源码笔记——Domain Adaptive Faster R-CNN for Object Detection in the Wild
qq_50001789的博客
06-24 598
论文《Domain Adaptive Faster R-CNN for Object Detection in the Wild》源码笔记
论文总结（5）：Domain Adaptation F Domain Adaptation For Vehicle Detection In T ehicle Detection In Traffic
GG的博客
04-22 397
作者主要使用的方法是： faster R-CNN和Domain Adaptation（DA）的方法来改善夜间车辆的检测。在DA的帮助下，源域和目标域的域分布差异减小。 数据集是自己收集的新的数据集，2200张交通图片（1200张白天的图片、1000张夜间的图像） 领域自适应即Domain Adaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对source domain训练的目标函数，就可以迁移.
【迁移学习】域自适应中的一些名词解释（一）
weixin_43226285的博客
02-20 2745
名词解释
A theory of learning from different domains（细节笔记）
weixin_41652829的博客
04-27 5470
持续更新1.对H-divergence的理解2.对Lemma 2的推理过程的理解 1.对H-divergence的理解 散度实际上是一个广义上的距离，也就是说它只具备常规距离的部分性质。机器学习中最常用的散度是KL散度，可以用来衡量两个概率分布之间的差异。由于本文所阅读的文献中，大部分内容方都是围绕着研究source domain和target domain两个域之间的关系，其实也就是研究两个do...
【DA 02】Domain Adaptive Faster R-CNN for Object Detection in the Wild (CVPR 2018)
qq_40731332的博客
11-28 561
摘要： 目标检测通常假设训练和测试数据来自同一分布，不同分布会出现结果变差。本文致力于改善目标检测的cross-dmain robustness，通过两个level的domain shift：（1）the image-level shift，例如图片风格、光照等；（2）the instance-level shift，例如：目标外观、大小等。 具体是基于Faster RCNN，建立两个domain adaptation componets，他们基于H-散度，通过在对抗训练学习一个domain ...
H-divergence
the_best_one1的博客
09-02 1078
迁移学习
2018 Domain Adaptive Faster R-CNN for Object Detection in the Wild.pdf
03-17
在《2018 Domain Adaptive Faster R-CNN for Object Detection in the Wild.pdf》这篇文章中，作者们针对一个在计算机视觉领域具有挑战性的问题进行了深入探讨，即在现实世界中的目标检测问题。目标检测是指在图像中...
Domain Adaptive Faster R-CNN for Object Detection in the Wild 阅读笔记及源码实现
tiancity的博客
01-28 2174
    本文是CVPR2018的一篇文章，由于官方代码是caffe写的，但是caffe环境的搭建太过繁琐，因此基于pytorch现有的faster-rcnn框架进行了复现，mAP略高于原始论文（可能测试集的设定不是完全一致造成的），具体实现github链接：da-faster-rcnn-pytorch 欢迎star！   1.前言     本文是我目前已知的最早将非生成式对抗学习方法利用到...
论文笔记：Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels
weixin_40371649的博客
08-14 2018
这是中科院计算所的一篇讨论大规模目标检测的论文，主要解决多标签，类别不均衡的问题。论文地址 在过去的几年里，目标检测领域取得很大的进步。Pascal VOC、MS COCO等具有高质量标注的通用目标检测数据集极大地推动了OD的发展。然而，这些数据集在今天看来是相当小的，并开始在一定程度上限制OD的发展。人们更多关注于数据集上的原子问题，而不是在更困难的场景中研究OD。 Open Image标注过程是在深度学习的帮助下完成的，候选标签由模型生成并由人类验证。由于模型的不确定性和人类个体的知识有限性，这不可避免
Domain Adaptation for Object Detection using SE Adaptors and Center Loss 论文翻译
weixin_44677254的博客
06-13 580
加入域注意力机制及中心损失的域自适应目标检测
Domain Adaptive Faster R-CNN for Object Detection in the Wild（论文解读）
qq_41574648的博客
03-03 575
Abstract We build our approach based on the recent state-of-the-art Faster R-CNN model, and design two domain adaptation components, on image level and instance level, to reduce the domain discrepancy...
faster rcnn论文_2020 CVPR SCNet自校准卷积网络（目标检测backbone性能提升）论文阅读...
weixin_35059431的博客
12-24 542
背景《Improving Convolutional Networks with Self-calibrated Convolutions》是2020年CVPR的论文，作者来自于南开大学程明明团队。最近各种卷积注意力组合的模块工作层出不穷，性能涨点明显，包括之前的Res2Net、李沐团队的ResNeSt，应该是近期的热点方向。论文地址：http://mftp.mmcheng.net/Papers/...
Domain Adaptive Faster R-CNN for Object Detection in the Wild论文阅读笔记
lwpyh的博客
06-30 1898
目标检测与域适应界核的一篇文章，非常有启发，CVPR2018作品，非常有趣。 1.全文综述 目标检测任务通常假设训练集与测试集从属于同一个分布，但是在实际情形中并不完全如此，这种分布上的差异会导致性能的下降与损失，本文旨在提高目标检测的跨域鲁棒性。作者从两个层面处理领域转移:1)图像级移动，如图像样式、光照等;2)实例级移动，如对象出现-亮度、大小等。我们基于最新的最先进faster R-CNN模...
【论文翻译】Dense Relation Distillation with Context-aware Aggregation for Few-Shot Object Detection
小张好难瘦的博客
05-25 1328
Few-Shot Object Detection and Viewpoint Estimation for Objects in the Wild 野外目标的小样本目标检测与视点估计 论文地址：https://arxiv.org/pdf/2007.12107v1.pdf 代码地址：GitHub - YoungXIAO13/FewShotDetection: (ECCV 2020) PyTorch implementation of paper "Few-Shot Object Detection
论文阅读《Accurate Few-shot Object Detection with Support-Query Mutual Guidance and Hybrid Loss》
AmbitionalH的博客
09-23 1856
Background ＆ Motivation 文中将 Few-shot 学习分为两类：metric-based 和optimization-based，后者是元学习的方法。将 Few-shot 目标检测分为：finetuning-based 和 finetuning-free。 然而以上这些方法都存在几个问题： support 中的信息没有指导 query 中 bounding box 的产生，support 和 query 之间缺少交互，没有充分利用 support 内的信息。 k-shot .
《论文阅读》FGN: Fully Guided Network for Few-Shot Instance Segmentation
未知丶的博客
10-09 1396
留个笔记自用 FGN: Fully Guided Network for Few-Shot Instance Segmentation 做什么 Instance segmentation实例分割 目标检测（ Object detection）不仅需要提供图像中物体的类别，还需要提供物体的位置（bounding box）。语义分割（ Semantic segmentation）需要预测出输入图像的每一个像素点属于哪一类的标签。实例分割（ instance segmentation）在语义分割的基础上，还需要
论文阅读《Dual-Awareness Attention for Few-Shot Object Detection》
AmbitionalH的博客
09-09 1172
Background ＆ Motivation 小样本分类模型分为两类：optimization-based 的元学习方法和metric-based 的度量学习方法。而小样本检测模型大多使用迁移学习和度量学习的方法来实现跨域学习，大多都采用平均特征来作为类的表征与模型输出的 Query 表征进行 concatenation 或 element-wise product 等来计算相似度。 Motivation 是现有的小样本检测模型在 base 类数据上精度普遍降低，此前直接将小样本分类模型的思想用在检.
机器学习:Kullback-Leibler Divergence(KL散度)以及R-dropout函数的通俗讲解
小姑仔的博客
07-15 2629
KL散度，最早是从信息论里演化而来的，信息熵的定义如下： H=−∑i=1Np(xi)log(p(xi))H = -\sum\limits_{i=1}^{N}p(x_{i})log(p(x_{i}))H=−i=1∑N​p(xi​)log(p(xi​)) 其中p(xi)p(x_{i})p(xi​)表示事件xix_{i}xi​发生的概率，信息熵反映的就是要表示一个概率分布需要的平均信息量。 定义KL散度值 DKL(p∣∣q)=∑i=1Np(xi)(logp(xi)−logq(xi))D_{KL}(p||q) =
domain adaptive faster r-cnn for object detection in the wild
03-16
"Domain Adaptive Faster R-CNN for Object Detection in the Wild" 是一篇关于目标检测的论文，提出了一种适用于现实场景中的目标检测模型。论文的主要贡献是设计了一个域自适应的 Faster R-CNN 模型，可以在不同的...
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值