|
|
奔跑的青椒 · Domain-Driven Design ...· 1 周前 · |
|
|
着急的回锅肉 · 設定VIVE Focus· 2 月前 · |
|
|
爱逃课的李子 · PHP多进程、信号量及孤儿进程和僵尸进程 ...· 3 月前 · |
|
|
安静的黄豆 · 【部门解读】安徽省《电镀水污染物排放标准》( ...· 9 月前 · |
|
|
勤奋的长颈鹿 · 新能源时代,日本汽车业何以解忧 _光明网· 1 年前 · |
|
|
机灵的烈马
3 月前 |
研究背景:
主要工作:
实验结果:
在5种天气场景下相比于baseline都取得了性能上的gain,尤其是对于night-sunny场景,本文方法超出了baseline 3%。
当前目标检测任务通常假设的是训练集和测试集在同一个domain下,当domain发生变换时,就会产生poor generalization,由于
domain-shift impact
。
如何解决domain-shift impact问题呢?主要的工作集中在domain adaption以及
domain generalization
两种方法上。
为了对上述domain-shift问题进行研究,本文提出了一个问题:Single-Domain Generalization Object Detection(Single DGOD)问题,也就是给定一个场景,使在其上训练的模型能够在unseen target domain上有不错的表现,现有的Domain Generation方法在这个问题上没法得到较好的表现。
当domain-related annotations不能用的时候,如何从输入的图像特征中提取到
Domain-invariant Representations(DIR)
这个问题目前仍然没有得到很好地解决。
首先,本文设计了一个cyclic-disentangled method来获取DIR,如下图所示:
在循环的前向过程,分别设计了一个Domain-invariant Representations(DIR)和一个Domain-Specific Representations(DSR)提取器,从骨干的feature map中提取DIR和DSR,然后循环的后向过程则是将提取的DIR和DSR作为提取器的输入,再次进行提取。
这里的设计思想真的是很巧妙啊~~~~
主要的设计包括两个:cyclic-disentanglement以及self-distillaiton
Cyclic Disentanglement