作者丨文永亮
学校丨哈尔滨工业大学(深圳)硕士生
研究方向丨目标检测、GAN
用 GAN 的结构,数据样本使用作为正样本、作为负样本也可以使判别器(discriminator)分辨出源域和目标域的样本,为什么这里要组成对的去训练?
▲ Fig 1. Few-shot Adaptive Faster R-CNN (FAFRCNN) 的整体网络结构(其中的SMFR模块后面会介绍到)
图像级别的域适应
实例级别的域适应
后面就可以用对抗训练的方式训练生成器和判别器了,但是因为目标域的样本是小样本数据,所以这里提出了成对训练的方式,即源域对和源域-目标域对。判别器判断样本来源,生成器是特征提取器器目标是混淆判别器。
跟 Faster R-CNN 中不同的是:foreground ROIs 要求更高的 IOU 阈值(比如原本 IOU 要求是 0.5 的,现在可能要 0.7)。获得了 ROI 特征之后会根据 ROI 的 label 分组,源域目标特征是,目标域目标特征为,如果一共有 C 类,i∈[0,C],第 0 类为背景,其实跟图像级别的成对方式一样,源域对和源域目标域对,其中,以下为域判别器的损失函数:
Scenario-1: SIM10K to Udacity (S→U);
Scenario-2: SIM10K to Cityscapes (S→C);
Scenario-3: Cityscapes to Udacity (C→U);
Scenario-4: Udacity to Cityscapes (U→C);
Scenario-5: Cityscapes to Foggy Cityscapes (C→F).
▲ Fig 4. 左边是SP技术在Scenario-1和Scenario-2的效果。右边是SP技术在Scenario-3和Scenario-4的效果。sp表示的是split pooling,ins表示加入实例级别的域适应,ft表示加入fine-tunning loss。
可以看出,在加入 SP 技术之后 AP 得到明显的提高,比 ADDA [1] 高了 5 个点。
▲ Fig 5. 论文提出的方法在Scenario-5中的各个实例的AP指标对比从UDA_setting中看到其实并不是全部都能取到最优成绩。
▲ Fig 6. 引入pairing理论的效果
▲ Fig 7. SMFR的效果
回答文首的问题,相信很多读者读完全文之后肯定也知道答案了,paper 题目就是基于小样本学习方向的,其实需要成对训练的目的就是增加训练样本,如果源域样本有 n 个,目标域样本有 m 个(n>m),那么最后负样本的个数仅仅只有 m 个,因为是小样本,训练出来的效果也会十分的差。但是如果成对训练(pairing-sampling),正样本为(,),理论上样本数量为,为 s 负样本为,理论上样本数量为(,),虽然经过这样笛卡尔积之后的正负样本比没有变,但是负样本数量却是增多了。这也是整篇文章的主要思想,pairing-sampling 的去训练。
[1]. Eric Tzeng, Judy Hoffman, Kate Saenko, and Trevor Darrell. Adversarial discriminative domain adaptation. In Computer Vision and Pattern Recognition (CVPR), volume 1, page 4, 2017.
[2]. https://github.com/twangnh/FAFRCNN
点击以下标题查看更多往期内容:
#投 稿 通 道#
让你的论文被更多人看到
如何才能让更多的优质内容以更短路径到达读者群体,缩短读者寻找优质内容的成本呢?答案就是:你不认识的人。
总有一些你不认识的人,知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁,促使不同背景、不同方向的学者和学术灵感相互碰撞,迸发出更多的可能性。
PaperWeekly 鼓励高校实验室或个人,在我们的平台上分享各类优质内容,可以是最新论文解读,也可以是学习心得或技术干货。我们的目的只有一个,让知识真正流动起来。
📝 来稿标准:
• 稿件确系个人原创作品,来稿需注明作者个人信息(姓名+学校/工作单位+学历/职位+研究方向)
• 如果文章并非首发,请在投稿时提醒并附上所有已发布链接
• PaperWeekly 默认每篇文章都是首发,均会添加“原创”标志
📬 投稿邮箱:
• 投稿邮箱:hr@paperweekly.site
• 所有文章配图,请单独在附件中发送
• 请留下即时联系方式(微信或手机),以便我们在编辑发布时和作者沟通
🔍
现在,在「知乎」也能找到我们了
进入知乎首页搜索「PaperWeekly」
点击「关注」订阅我们的专栏吧
关于PaperWeekly
PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域,欢迎在公众号后台点击「交流群」,小助手将把你带入 PaperWeekly 的交流群里。
▽ 点击 | 阅读原文 | 下载论文