BriefGPT - AI 论文速递
·
利用类间动态进行领域自适应物体检测
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
本文介绍了Class-Aware Teacher（CAT）方法，用于解决域自适应设置中的类别偏差问题。通过使用Inter-Class Relation module（ICRm）来近似类别关系，减少模型内的偏差。实验证明该方法在不同数据集上能够显著提高少数类别的性能，达到52.5 mAP，超过现有最先进方法的51.2 mAP。
🎯
关键要点
- 提出了Class-Aware Teacher（CAT）方法，解决域自适应设置中的类别偏差问题。
- 使用Inter-Class Relation module（ICRm）近似类别关系，减少模型内的偏差。
- 在高相关类别上使用增强方法，提高少数类别的性能，影响多数类别最小。
- 在不同数据集上的实验表明，该方法显著提高了少数类别的性能。
- 在Cityscapes到Foggy Cityscapes数据集上实现了52.5 mAP，超过现有最先进方法的51.2 mAP。
➡️
