【标题】Uncertainty-Aware Unsupervised Domain Adaptation in Object Detection 【原文地址】论文链接 【作者团队】Dayan Guan, Jiaxing Huang, Aoran Xiao, Shijian Lu, Yanpeng Cao 【发表时间】2021.2.27 【推荐理由】本文来源于南洋理工大学,其设计了一个不确定性感知的对抗性学习算法，该算法可以在建议生成和目标检测任务中能够保持对齐的特征。在四个具有挑战性的跨域检测任务上的大量实验证明了该方法的有效性。

无监督域自适应目标检测旨在将检测器从标记的源域调整到未标记的目标域。大多数现有的工作采取两阶段策略，首先生成区域建议，然后检测感兴趣的对象，其中对抗学习被广泛采用以减轻两个阶段中的域间差异。然而，对抗性学习可能会削弱对齐良好的样本的对齐，因为它只是对齐跨域的全局分布。为了解决这个问题，本文设计了一个不确定感知域自适应网络(UaDAN)，它引入了条件对抗学习，以不同的方式分别对齐好对齐和差对齐的样本。具体来说，本文设计了一个不确定性度量标准来评估每个样本的一致性，并自适应地调整一致性好和一致性差的样本的对抗性学习的强度。此外，本文利用不确定性度量来实现课程学习，首先执行更容易的图像级对齐，然后逐步执行更困难的实例级对齐。在四个具有挑战性的领域自适应目标检测数据集上的大量实验表明，与最先进的方法相比，UaDAN取得了优异的性能。 图1：UaDAN网络框架

内容中包含的图片若涉及版权问题，请及时与我们联系删除