[论文解读] A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets

Muhammed Muzammul, Xi Li|arXiv (Cornell University)|Jul 16, 2021

Advanced Neural Network Applications参考文献 353被引用 10

一句话总结

本综述全面分析了计算机视觉中的深度域自适应与小目标检测，涵盖基于差异的、对抗性的、基于重建的以及混合型域自适应技术，同时涉及多尺度特征学习、数据增强和基于生成对抗网络的检测方法。它在MS-COCO和PASCAL VOC等基准数据集上评估了Faster R-CNN、YOLO和SSD等最先进模型，提供了对比性见解，并识别出实时检测与跟踪中的关键挑战和未来研究方向。

ABSTRACT

This survey paper specially analyzed computer vision-based object detection challenges and solutions by different techniques. We mainly highlighted object detection by three different trending strategies, i.e., 1) domain adaptive deep learning-based approaches (discrepancy-based, Adversarial-based, Reconstruction-based, Hybrid). We examined general as well as tiny object detection-related challenges and offered solutions by historical and comparative analysis. In part 2) we mainly focused on tiny object detection techniques (multi-scale feature learning, Data augmentation, Training strategy (TS), Context-based detection, GAN-based detection). In part 3), To obtain knowledge-able findings, we discussed different object detection methods, i.e., convolutions and convolutional neural networks (CNN), pooling operations with trending types. Furthermore, we explained results with the help of some object detection algorithms, i.e., R-CNN, Fast R-CNN, Faster R-CNN, YOLO, and SSD, which are generally considered the base bone of CV, CNN, and OD. We performed comparative analysis on different datasets such as MS-COCO, PASCAL VOC07,12, and ImageNet to analyze results and present findings. At the end, we showed future directions with existing challenges of the field. In the future, OD methods and models can be analyzed for real-time object detection, tracking strategies.

研究动机与目标

• 系统分析目标检测中的深度域自适应技术，包括基于差异的、对抗性的、基于重建的以及混合方法。
• 研究检测小目标的最先进方法，重点关注多尺度特征学习、数据增强和上下文感知检测。
• 在MS-COCO、PASCAL VOC07/12和ImageNet等主要基准数据集上，评估基础目标检测模型（R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD）的性能。
• 通过对比数据集和检测技术，识别性能差距与研究挑战。
• 概述未来研究方向，尤其关注实时目标检测与跟踪策略。

提出的方法

• 将深度域自适应技术分类并分析为四大主要范式：基于差异的、基于对抗的、基于重建的以及混合方法。
• 考察小目标检测策略，包括多尺度特征学习、数据增强、基于上下文的检测以及基于生成对抗网络的数据合成。
• 系统回顾卷积神经网络（CNNs）和池化操作，突出其在目标检测框架中的作用。
• 在MS-COCO、PASCAL VOC07/12和ImageNet等标准数据集上，对R-CNN、Fast R-CNN、Faster R-CNN、YOLO和SSD等目标检测模型进行对比评估。
• 通过历史与对比分析，评估不同技术与数据集之间性能趋势与局限性。
• 通过综合现有文献与实证发现，识别关键挑战与未来研究方向。

实验结果

研究问题

• RQ1 深度域自适应在目标检测中面临的核心挑战是什么？不同自适应策略如何应对这些挑战？
• RQ2 多尺度特征学习与数据增强如何提升小目标检测性能？
• RQ3 主流目标检测模型（如Faster R-CNN、YOLO和SSD）在标准基准上的相对优势与局限性是什么？
• RQ4 池化操作与CNN架构如何影响检测精度与效率？
• RQ5 实时目标检测与跟踪中的关键开放挑战与未来研究方向是什么？

主要发现

• 基于差异的、对抗性的、基于重建的以及混合型域自适应方法在减少域偏移方面各具优势，其中对抗性与混合方法在跨域场景中展现出更强的泛化能力。
• 多尺度特征学习与基于上下文的检测显著提升了小目标检测性能，通过增强小目标尺度下的特征表示。
• 数据增强技术，特别是基于生成对抗网络的方法，通过生成逼真的训练样本，在低资源与类别不平衡数据集上提升了检测性能。
• Faster R-CNN与YOLO变体在MS-COCO与PASCAL VOC上表现优异，其中Faster R-CNN达到更高精度，而YOLO则具备更快的推理速度。
• 对比分析表明，模型性能在不同数据集间存在显著差异，MS-COCO因具有更大规模且更丰富的标注而展现出更高的检测精度。
• 未来研究应聚焦于提升实时检测与跟踪能力，特别是针对小目标，并致力于开发更具鲁棒性与域泛化能力的模型。