用于目标检测的跨域自适应教师模型

我们解决目标检测中的域适应任务，其中带标注的域（源域）与感兴趣的无标注域（目标域）之间存在域间隙。作为一种有效的半监督学习方法，师生框架（学生模型由教师模型生成的伪标签监督）在跨域目标检测中也带来了较大的精度提升。然而，它受域偏移影响并生成许多低质量伪标签（例如假阳性），导致次优性能。为缓解该问题，我们提出一种称为自适应教师（AT）的师生框架，利用域对抗学习和弱-强数据增强来解决域间隙。具体而言，我们在学生模型中采用特征级对抗训练，使源域和目标域提取的特征具有相似分布。该过程确保学生模型产生域不变特征。此外，我们对教师模型（取目标域数据）和学生模型（取两域数据）应用弱-强增强与互学习。这使得教师模型能从学生模型学习知识而不偏倚于源域。我们表明AT大幅优于现有方法甚至Oracle（全监督）模型。例如，我们在Foggy Cityscape（Clipart1K）上达到50.9%（49.3%）mAP，分别比先前SOTA和Oracle高9.2%（5.2%）和8.2%（11.0%）。