CGSA：基于类引导插槽感知的源自适应目标检测

源自适应目标检测（SF-DAOD）旨在将在标记源域上训练的检测器适配到未标记的目标域，同时不保留任何源数据。尽管近期取得了显著进展，但大多数流行方法专注于调整伪标签阈值或细化师生框架，忽略了跨域数据中对象级别的结构线索。本文提出了CGSA框架，将对象中心学习（OCL）引入SF-DAOD，通过将插槽感知适应集成到DETR-based检测器中。具体而言，我们的方法将层次化插槽感知（HSA）模块集成到检测器中，以逐步分离图像为插槽表示，这些插槽充当视觉先验。随后，这些插槽通过类引导插槽对比（CGSC）模块引导 toward class semantics，保持语义一致性并促进领域无关适应。在多个跨域数据集上的大量实验表明，我们的方法优于先前的SF-DAOD方法，理论推导和实验分析进一步证明了所提组件和框架的有效性，从而表明对象中心设计在隐私敏感的适应场景中具有潜力。代码已发布于 https://github.com/Michael-McQueen/CGSA。