CD-FKD：面向单域泛化目标检测的跨域特征知识蒸馏
计算机视觉与模式识别
2026-03-18 v1 人工智能
摘要
单域泛化是目标检测的关键任务，尤其是在仅使用单一源域数据训练模型、然后在未见目标域上进行评估时。域迁移（如天气、光照或场景条件的变化）对现有模型的泛化能力构成重大挑战。为此，我们提出了跨域特征知识蒸馏（CD-FKD）方法，通过利用全局和实例级特征蒸馏来增强学生网络的泛化能力。该方法通过降采样和数据扰动生成多样化数据供学生网络训练，而教师网络接收原始源域数据。学生网络通过全局和实例级蒸馏模拟教师网络的特征，从而有效提取即使因扰动导致难以检测的目标特征。在具有挑战性场景上的大量实验表明，CD-FKD 在目标域泛化和源域性能上均优于最先进的方法，验证了其提升目标检测对域迁移鲁棒性的有效性。该方法在自动驾驶和监控等实际应用场景中具有重要价值，因其能在多样化环境下实现稳健的目标检测。
引用
@article{arxiv.2603.16439,
title = {CD-FKD: Cross-Domain Feature Knowledge Distillation for Robust Single-Domain Generalization in Object Detection},
author = {Junseok Lee and Sungho Shin and Seongju Lee and Kyoobin Lee},
journal= {arXiv preprint arXiv:2603.16439},
year = {2026}
}
备注
Accepted to ICRA 2026