[論文レビュー] Deep Domain Adaptive Object Detection: a Survey

Wanyi Li, Fuyu Li+3 more|arXiv (Cornell University)|Feb 17, 2020

Domain Adaptation and Few-Shot Learning参考文献 42被引用数 13

ひとこと要約

本調査は、ラベル付きデータが限られたもしくは存在しないターゲットドメインでも良好に動作するように、ソースドメインで学習されたモデルを適応させる深層ドメイン適応物体検出（DDAOD）手法をレビューする。ドメインシフト問題に取り組むもので、既存のアプローチを5つのカテゴリに分類する——特徴空間におけるドメイン適応、対向学習、自己学習、知識蒸留、メタラーニング。代表的な手法の包括的分析を通じて、DDAOD分野における今後の研究方向性に関する洞察を提供する。

ABSTRACT

Deep learning (DL) based object detection has achieved great progress. These methods typically assume that large amount of labeled training data is available, and training and test data are drawn from an identical distribution. However, the two assumptions are not always hold in practice. Deep domain adaptive object detection (DDAOD) has emerged as a new learning paradigm to address the above mentioned challenges. This paper aims to review the state-of-the-art progress on deep domain adaptive object detection approaches. Firstly, we introduce briefly the basic concepts of deep domain adaptation. Secondly, the deep domain adaptive detectors are classified into five categories and detailed descriptions of representative methods in each category are provided. Finally, insights for future research trend are presented.

研究の動機と目的

• トレーニングデータとテストデータの分布が異なる深層物体検出におけるドメインシフト問題に対処すること。
• 現実世界のデータ分布シフトを想定した、深層ドメイン適応物体検出（DDAOD）分野における最先端手法をレビューすること。
• 適応メカニズムに基づいてDDAODアプローチを5つの明確なカテゴリに分類し、分析すること。
• DDAOD分野における未解決の課題と今後の研究トレンドに関する洞察を提供すること。

提案手法

• DDAOD手法を5つのカテゴリに分類する——特徴空間におけるドメイン適応、対向学習、自己学習、知識蒸留、メタラーニング。
• 各カテゴリに属する代表的手法の分析、特にそのコアアーキテクチャと適応戦略の検討。
• ドメイン不変表現を用いて、ソースドメインとターゲットドメインの特徴分布を一致させる技術の評価。
• 一貫性正則化や仮ラベル化を活用して、ラベルなしターゲットデータを活用する手法の調査。
• 識別器を用いてソース特徴とターゲット特徴を区別する対向フレームワークの検討。
• 教師モデルからターゲットドメインで訓練された学生モデルへ知識を転送する知識蒸留ベースのアプローチのレビュー。

実験結果

リサーチクエスチョン

• RQ1 異なるDDAOD手法は、物体検出におけるドメインシフトをどのように軽減しているか？
• RQ2 最先端のDDAODアプローチで用いられる主なアーキテクチャ的および学習戦略的特徴は何か？
• RQ3 自己教師的学習と対向学習の手法は、ドメイン間の物体検出器適応においてどのように比較されるか？
• RQ4 現在のDDAOD手法は、大きなドメインシフトや長尾分布に対処する上でどのような限界を示しているか？
• RQ5 DDAODを進展させるために、今後最も有望な研究方向性は何か？

主な発見

• 本調査では、ドメインシフトに対処するためのDDAOD手法を5つの主要カテゴリに同定し、それぞれが独自の強みを示していることが明らかになった。
• 対向学習および自己学習手法は、ドメイン間で特徴分布を一致させる点で優れたパフォーマンスを示している。
• 知識蒸留ベースのアプローチは、最小限のアノテーションでソースドメインからターゲットドメインへ検出知識を効果的に転送できる。
• メタラーニング手法は、少サンプルドメイン適応の状況において潜在的な可能性を示している。
• 本調査では、実世界の展開に適したより強固で汎用的かつスケーラブルなDDAODフレームワークの必要性が強調された。
• 今後の研究は、大きなドメインシフト下での一般化性能の向上、長尾分布の取り扱い、不確実性推定の統合に焦点を当てるべきである。