本文是首篇将领域自适应应用到目标检测的论文,从概率角度清晰解释了领域自适应的目标,设计了图片级别和实例级别的域适应,同时巧妙分析了两种级别迁移的概率分布,设计一种针对Faster RCNN中RPN的正则化公式,使得RPN更加鲁棒,领域不变。
本文利用self-training的训练方法,对于完全没有标签的target data,利用分布不相同的源数据训练模型,用该模型预测target data的伪标签,并循环至未标注数据都被标注。
自监督学习在计算机视觉的域迁移是一种较新的思路,本文介绍了一种通用的自监督域迁移框架。