[论文解读] 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 13

一句话总结

本综述全面概述了用于深度目标检测器的无监督域自适应（UDA）技术，按其自适应策略对方法进行分类，并分析其优势与局限性。它识别出关键挑战，如负迁移、开放集和无源自适应，并为在域偏移条件下实现鲁棒、真实世界部署的目标检测器提出未来研究方向。

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.

研究动机与目标

• 系统性地对无监督域自适应在目标检测中的近期方法进行分类与分析。
• 识别并讨论真实世界部署中关键挑战，如负迁移、域偏移以及标签空间不匹配。
• 强调尚未充分探索的研究方向，包括无源、多源及连续测试时自适应。
• 为目标检测中的UDA提供统一的分类体系与性能基准框架。
• 为研究人员提供方法选择指导，并激发未来在鲁棒、可泛化目标检测器方面的工作。

提出的方法

• 将目标检测的UDA方法分为三大范式：特征级、检测头级和实例级自适应。
• 分析领域对齐策略，如对抗训练、自监督对比学习和熵最小化。
• 回顾减轻负迁移的技术，包括类别级特征对齐与异常样本过滤。
• 研究伪标签与自训练框架在无源域自适应中的应用。
• 探讨选择性对齐相关源子分布的多源自适应策略。
• 提出基于Cityscapes、COCO和VOC等标准数据集在域偏移设置下的评估协议与基准。

实验结果

研究问题

• RQ1 无监督域自适应在目标检测中的主导方法论方法是什么？
• RQ2 在性能与鲁棒性方面，不同自适应策略（特征级、头级、实例级）如何比较？
• RQ3 目标检测中域自适应的关键挑战是什么，如负迁移与标签空间差异？
• RQ4 如何将域自适应扩展到无源、开放集及连续测试时自适应等现实场景？
• RQ5 哪些最有效的评估协议与数据集可用于基准测试UDA目标检测器？

主要发现

• 使用对抗训练与对比学习的特征级自适应方法在减少域偏移方面表现优异。
• 基于检测到的物体对特征进行对齐的实例级自适应策略，能显著提升在视觉多样性高的目标域上的检测准确率。
• 当源域与目标域的标签空间未完全对齐时，负迁移仍是主要问题，尤其在部分域与开放集自适应中更为显著。
• 通过高质量伪标签与过滤技术，无源域自适应是可行的，但其可靠性仍具挑战。
• 多源域自适应需要选择性对齐以避免来自无关源子分布的负迁移。
• 连续与测试时自适应对真实世界部署至关重要，但目前研究仍不足，面临灾难性遗忘与计算效率的挑战。