[論文レビュー] Unsupervised Domain Adaptation of Object Detectors: A Survey

Poojan Oza, Vishwanath A. Sindagi+2 more|arXiv (Cornell University)|May 27, 2021

Domain Adaptation and Few-Shot Learning被引用数 13

ひとこと要約

本サーベイは、深層オブジェクト検出器における教師なしドメイン適応（UDA）技術について包括的な概要を提供し、適応戦略別に手法を分類し、その長所と短所を分析する。ドメインシフト下でのロバストで現実世界への適用を可能にするために、負の転送、オープンセットおよびソースフリー適応といった重要な課題を特定し、今後の研究方向性を提案する。

ABSTRACT

Recent advances in deep learning have led to the development of accurate and efficient models for various computer vision applications such as classification, segmentation, and detection. However, learning highly accurate models relies on the availability of large-scale annotated datasets. Due to this, model performance drops drastically when evaluated on label-scarce datasets having visually distinct images, termed as domain adaptation problem. There is a plethora of works to adapt classification and segmentation models to label-scarce target datasets through unsupervised domain adaptation. Considering that detection is a fundamental task in computer vision, many recent works have focused on developing novel domain adaptive detection techniques. Here, we describe in detail the domain adaptation problem for detection and present an extensive survey of the various methods. Furthermore, we highlight strategies proposed and the associated shortcomings. Subsequently, we identify multiple aspects of the problem that are most promising for future research. We believe that this survey shall be valuable to the pattern recognition experts working in the fields of computer vision, biometrics, medical imaging, and autonomous navigation by introducing them to the problem, and familiarizing them with the current status of the progress while providing promising directions for future research.

研究の動機と目的

• 教師なしドメイン適応（UDA）におけるオブジェクト検出の最近のアプローチを体系的に分類・分析すること。
• 現実世界の適用において重要な課題としての負の転送、ドメインシフト、ラベル空間の不一致を特定し、それらを議論すること。
• ソースフリー、マルチソース、継続的テスト時適応といった未だ十分に検討されていない研究方向性を強調すること。
• UDAオブジェクト検出における包括的な分類体系とパフォーマンスベンチマークフレームワークを提供すること。
• 研究者が適切な手法を選定できるように支援し、ロバストで一般化可能なオブジェクト検出器に関する今後の研究を刺激すること。

提案手法

• オブジェクト検出のUDA手法を、特徴レベル、検出ヘッドレベル、インスタンスレベルの適応という3つの主要なパラダイムに分類する。
• 敵対的訓練、自己教師付きコントラスト学習、エントロピー最小化といったドメイン整合戦略を分析する。
• クラスごとの特徴整合や外れサンプルのフィルタリングを用いた負の転送の緩和技術をレビューする。
• ソースフリーのドメイン適応のための疑似ラベル付けと自己トレーニングフレームワークを検討する。
• 関連するソースサブディストリビューションにのみ選択的に整合するマルチソース適応戦略を検証する。
• ドメインシフト設定下でCityscapes、COCO、VOCといった標準データセットを用いた評価プロトコルとベンチマークを提案する。

実験結果

リサーチクエスチョン

• RQ1 オブジェクト検出における教師なしドメイン適応の支配的で主要なアプローチは何か？
• RQ2 特徴レベル、ヘッドレベル、インスタンスレベルの異なる適応戦略は、性能と耐性の観点でどのように比較できるか？
• RQ3 オブジェクト検出におけるドメイン適応の主な課題、たとえば負の転送やラベル空間の不一致は何か？
• RQ4 ソースフリー、オープンセット、継続的テスト時適応といった現実的状況に拡張するにはどうすればよいか？
• RQ5 UDAオブジェクト検出器をベンチマークするうえで最も効果的な評価プロトコルとデータセットは何か？

主な発見

• 敵対的訓練やコントラスト学習を用いた特徴レベルの適応手法は、ドメインシフトの低減において優れた性能を示す。
• 検出されたオブジェクトに基づいて特徴を整合させるインスタンスレベルの適応戦略は、視覚的多様性が著しいターゲットドメインにおいて検出精度を向上させる。
• ソースとターゲットのラベル空間が完全に一致しない場合、特に部分的およびオープンセットのドメイン適応において、負の転送が大きな問題となる。
• 高品質な疑似ラベル付けとフィルタリングを用いることで、ソースフリーのドメイン適応は実現可能であるが、信頼性の維持が課題である。
• マルチソースのドメイン適応では、関係のないソースサブディストリビューションからの負の転送を避けるために、選択的整合が必要である。
• 継続的およびテスト時適応は現実世界への適用に不可欠であるが、まだ十分に検討されておらず、消去的忘却や計算効率の課題が残っている。