ДОМЕННАЯ АДАПТАЦИЯ ДЕТЕКТОРОВ ОБЪЕКТОВ С ПРИМЕНЕНИЕМ МОДЕЛИ УЧИТЕЛЯ С ПОДАНСАМБЛЯМИ

Медведев Анатолий Андреевич

Адаптация доменов в задачах детекции объектов остается важной проблемой в области компьютерного зрения, особенно когда модели, обученные на одних наборах данных, применяются в существенно отличающихся целевых доменах. Традиционные методы, такие как тонкая настройка с использованием размеченных данных целевого домена или подходы «учитель-ученик», часто не справляются со сложностью и изменчивостью реальных условий. В данной статье предложен новый метод Sub-Ensemble Teacher (SET), который использует преимущества нескольких моделей учителей для обеспечения надежного и всестороннего руководства при адаптации модели ученика. Структура SET включает обучение нескольких моделей учителей на разных подмножествах входных данных, каждая из которых охватывает различные аспекты предметной области. Эти подансамбли создают богатый набор псевдометок для неразмеченных данных целевого домена, которые затем используются для обучения модели ученика. Этот подход увеличивает надежность и обобщаемость модели ученика за счет эффективной аппроксимации байесовского вывода, учета неопределенности модели и уменьшения шума меток. Экспериментальные результаты на эталонных наборах данных показывают, что метод SET превосходит традиционные модели с одним учителем в задачах кроссдоменной детекции объектов. Подход с подансамблями не только повышает точность обнаружения, но и обеспечивает более надежную оценку неопределенности, что делает его мощным инструментом для адаптации детекторов объектов к разнообразным и сложным условиям.

Ключевые слова:детекция объектов, доменная адаптация, компьютерное зрение, глубокое обучение, одноступенчатые детекторы объектов, подансамбли, локализация объектов, оценка неопределенности