Core Concepts
提案手法Class-Aware Teacher (CAT)は、クラス間の関係を推定するモジュールを導入し、関連するクラス間の画像合成や重み付き損失関数を用いることで、クラス不均衡に起因する問題を効果的に解決する。
Abstract
本論文は、ドメイン適応物体検出の課題に取り組んでいる。従来の手法では、クラス不均衡の問題が見過ごされがちであったが、提案手法Class-Aware Teacher (CAT)ではこの問題に着目している。
CAT の主な特徴は以下の通り:
Inter-Class Relation module (ICRm): モデルの既存のクラスバイアスを推定する。これにより、クラス間の関係性を把握できる。
Class-Relation Augmentation (CRA): ICRmの情報を活用し、関連するクラス間で画像合成を行うことで、マイノリティクラスの表現を強化する。
Inter-Class Loss (ICL): ICRmの情報に基づいて損失関数にクラス間の重みを導入し、マイノリティクラスの性能向上を促す。
実験の結果、提案手法CAT は、Cityscapes→Foggy Cityscapes、PASCAL VOC→Clipart1Kのベンチマークにおいて、従来手法を上回る性能を示した。特に、マイノリティクラスの検出精度が大幅に向上している。
Stats
Cityscapes データセットにおいて、'car'クラスは26,963インスタンスと最も多いのに対し、'train'クラスは168インスタンスと非常に少ない。
Clipart1Kデータセットでは、'motorbike'クラスが7インスタンスと極端に少ない。