.png){kind=icon}
返回
Multi-source-free Domain Adaptive Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s11263-024-02170-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了增强对象检测模型在从不同分布中采样数据的真实场景中的可移植性，已经对域自适应对象检测 (DAOD) 给予了相当大的关注。研究人员还研究了多源DAOD，以应对来自不同源域的训练样本所带来的挑战。丁桂光为另一位通讯作者。然而，当源数据由于隐私保护策略或传输成本约束而不可用时，现有方法遇到困难。为了解决这些问题，我们引入并解决了多源自由域自适应对象检测 (MSFDAOD) 的问题，该问题旨在使用多源预训练模型来执行对象检测的域自适应，而无需任何源数据或目标标签。具体来说，我们提出了一种新颖的分而治之对比适应 (DACA) 框架。首先，多个均值教师检测模型在每个源域特征空间内执行有效的知识蒸馏和按类别的对比学习，表示为Divide。同时，DACA集成提案，获得统一的伪标签，并为学生预测聚合分配动态权重，表示为聚合。划分和聚合的两步过程使我们的方法能够有效地利用多个无来源模型的优势，并以自我监督的方式聚合它们对适应的贡献。在多个流行的基准数据集上进行了广泛的实验，结果表明，所提出的DACA框架明显优于MSFDAOD任务的最新方法。
Keyword:
Domain adaptive object detection
Multi-source domain adaptation
Source-free domain adaptation
Contrastive learning
期刊
IF:
9.3
论文数:
3.9K
被引数:
2.8W
机构
引用论文
.png){kind=icon}
Performance enhancement of MgZnO ultraviolet photodetectors using ultrathin Al2O3 inserted layer
PREAI
分享收藏分享收藏
查看更多内容