基于图像风格迁移的端到端跨域目标检测①

吴泽远,朱 明

(中国科学技术大学 信息科学与技术学院,合肥 230026)

目标检测是计算机视觉领域最基础也最重要的问题,在现实生活中具有广泛的应用,如自动驾驶[1],视频监控[2],人脸识别[3],所谓目标检测,就是在图像中检测到物体的位置和类别.随着深度学习的蓬勃发展,基于卷积神经网络(CNN)的方法[4-9]在目标检测标准数据集[10-12]上取得了明显进步.尽管效果显著,却只是在标注好的干净的数据集上进行实验,而真实世界中目标检测要面临的情况要更加复杂,数据的视角,外观,背景,光照等方面的差异导致训练好的模型难以落地使用,即训练数据称为(源域) 和测试数据(称为目标域)分布不同,导致训练好的模型泛化性较差,这一问题称为域偏移问题.

为了处理这个问题,一个具有吸引力的办法是无监督域适应[13],即将在源域上训练的模型用于目标域,却不需要对目标域进行数据标注.最近,基于图像风格迁移的域适应方法[14,15]取得了不错的结果,这一类方法基于图像风格迁移[16],基本思想是利用图像风格迁移技术将有标签的源域数据转换为目标域风格,然后在转换后的源域图像上进行训练,这样便相当于在有标签的目标域数据集上训练模型,最后,将训练好的模型用于目标域即可.

然而,上述基于图像风格迁移的方法有几点缺陷：1)这些方法通常将先进行图像风格迁移,然后再对迁移后的图像进行训练,流程繁琐.2)图像风格迁移网络和……