基于渐进式训练的多判别器域适应目标检测

基于对抗训练的域适应目标检测的研究旨在不对新数据集进行额外标注的情况下,将检测模型应用于不同的数据集。但现有算法存在目标检测和域对齐任务难以平衡的问题,且一般的单判别器结构容易局限于数据的单个模式,导致域对齐的质量下降。提出一种基于渐进式训练的多判别器域适应目标检测算法,针对传统的单判别器结构对复杂结构数据进行域对齐时的局限性,在实例级的域适应头中引入多判别器结构,使其在学习域不变信息时考虑数据的多模结构,实现质量更高、更全面的域对齐。同时,为降低引入多判别器结构而增加的模型复杂度,设计基于Dropout技术的多判别器结构,对单个判别器参数进行重复利用,并创新性地引入渐进式训练策略,即随着训练的推进逐步增大域对齐任务的比重和难度,动态平衡目标检测和域对齐任务的权重。实验结果表明,所提算法在Cityscapes到Foggy Cityscapes的域适应场景下的平均检测精度为42.9%,相比近几年该领域的新算法提高了至少0.5个百分点。