[ad_1]
Metode adaptasi domain yang tidak diawasi (UDA) telah diusulkan untuk mentransfer informasi domain-invarian dari domain sumber berlabel ke domain target yang tidak berlabel. Mereka membantu untuk tampil tugas visi komputer seperti deteksi objek. Namun, metode saat ini mengabaikan keterjeratan antara fitur domain-bersama dan domain-pribadi di ruang laten.
Deteksi objek digunakan dalam pengaturan yang sangat berbeda, dari lingkungan luar ruangan hingga studio penangkapan gerak. Kredit gambar: Optitrack melalui Wikimedia, CC BY-SA 4.0
Sebuah makalah baru-baru ini di arXiv.org mengusulkan metode baru untuk meningkatkan deteksi objek UDA berbasis pembelajaran permusuhan yang khas melalui penguraian fitur.
Modul Triplet Disentanglement global meningkatkan kemampuan adaptasi fitur di tingkat global. Modul Penguraian Kesamaan Instance, berdasarkan regularisasi kesamaan antara fitur bersama dan pribadi, memfasilitasi penguraian fitur di tingkat lokal.
Para peneliti memvalidasi metode pada beberapa tugas deteksi objek dan menunjukkan bahwa itu mengungguli state-of-the-art.
Kemajuan terbaru dalam teknik adaptasi domain tanpa pengawasan (UDA) telah menyaksikan kesuksesan besar dalam tugas visi komputer lintas domain, meningkatkan kemampuan generalisasi arsitektur pembelajaran mendalam berbasis data dengan menjembatani kesenjangan distribusi domain. Untuk metode deteksi objek lintas domain berbasis UDA, sebagian besar dari mereka mengurangi bias domain dengan mendorong pembuatan fitur domain-invarian melalui strategi pembelajaran permusuhan. Namun, diskriminator domain mereka memiliki kemampuan klasifikasi yang terbatas karena proses pelatihan permusuhan yang tidak stabil. Oleh karena itu, fitur yang diekstraksi yang diinduksi olehnya tidak dapat menjadi domain-invarian sempurna dan masih mengandung faktor domain-pribadi, membawa hambatan untuk lebih mengurangi perbedaan lintas domain. Untuk mengatasi masalah ini, kami merancang Domain Disentanglement Faster-RCNN (DDF) untuk menghilangkan informasi khusus sumber dalam fitur untuk pembelajaran tugas deteksi. Metode DDF kami memfasilitasi penguraian fitur pada tahap global dan lokal, dengan modul Global Triplet Disentanglement (GTD) dan modul Instance Similarity Disentanglement (ISD), masing-masing. Dengan mengungguli metode canggih pada empat tugas deteksi objek UDA benchmark, metode DDF kami terbukti efektif dengan penerapan yang luas.
Makalah penelitian: Liu, D., “Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement”, 2021. Tautan: https://arxiv.org/abs/2201.01929
[ad_2]
