【アウトプット】Learning Domain Adaptive Object Detection with Probabilistic Teacherを読んだ

Abstract

  • Self-trainingの教師なしドメイン適応能力は、擬似ラベルの品質に左右される
  • Uncertainty-guidedな方法としてEntropy Focal Lossを使って計算することにより、従来の方法を超えるAP値を叩き出した

Introduction

  • ドメインシフトによって、APの値が極めて如実に低下する現象が起こっている
  • そのため教師なしドメイン適応の需要が増加している
  • Unsupervised Domain Adaptive Object Detection
    • Unbiased Mean Teacher、SimRODと呼ばれる手法はSelf-trainingの方法の一つである。
    • 従来の手法では擬似ラベルを得るということに主眼を置いているが、擬似ラベルというものはそもそもとしてNosiyなものになるという可能性を忘れている
    • PTでは擬似ラベルが
  • Self training
    • 半教師あり物体検出（Semisupervised）において発展してきた手法
    • STACと呼ばれる手法では、数少ないLabeled DataをDetecterに学習させる
      • しかしSTACでは一度生成された擬似ラベルは常に固定されており、学習プロセスの間ずっと一緒であるという問題点がある
    • Soft teacherでは、Box jitter methodと呼ばれる手法を利用してLocaliztation accuracyを上昇させようとする手法である
    • LabelMatchでは擬似ラベルをLabel Distribution Consistency（？）を用いて閾値のアップデートを行うという手法をとっている
  • Preliminary
    • PTではFaster-rcnnのディラックデルタ関数によってLocalizationの不確実性を反映できないという問題点を解消し、カテゴリーとLocalizationが確率分散で表示されるようにした

テーマが見つかったのでここまでとする

読んだもの

pyimagesearch.com