面向域自适应无区域检测器的密集语义增强

无监督域自适应目标检测旨在将训练良好的检测器从其拥有丰富标注数据的原始源域适配到具有无标注数据的新目标域。先前工作侧重于通过匹配从区域提议网络（RPN）显式提取的跨域实例级特征，来改善基于区域的检测器（如Faster-RCNN）的域适应性。然而，这不适用于无区域检测器（如单发多框检测器（SSD）），后者对图像中所有可能位置进行密集预测且不具备RPN来编码此类实例级特征。因此，它们无法对齐无区域检测器各域之间的重要图像区域与关键实例级特征。本工作中，我们提出一种对抗模块以增强无区域检测器的跨域实例级特征匹配。首先，为强调图像重要区域，DSEM学习预测可迁移的前景增强掩码，用以抑制图像中的背景干扰。其次，考虑到无区域检测器利用多尺度特征图识别不同尺度物体，DSEM编码跨不同域的多级语义表示与多实例空间上下文关系。最后，DSEM可插拔于不同无区域检测器，最终通过对抗学习实现密集语义特征匹配。在PASCAL VOC、Clipart、Comic、Watercolor和FoggyCityscape基准上进行了大量实验，结果充分表明所提方法不仅提升了无区域检测器的域适应性，而且在多种域偏移设定下优于现有的域自适应基于区域的检测器。