用于自适应目标检测的域特定抑制

领域自适应方法在目标检测中面临性能退化,因为任务的复杂性对模型的可迁移性提出了更高要求。我们提出了一种关于 CNN 模型如何获得可迁移性的新视角,将模型的权重视为一系列运动模式。权重与梯度的方向可划分为域特定和域不变部分,而领域自适应的目标是聚焦于域不变方向,同时消除域特定方向的干扰。当前的无监督领域自适应(UDA)目标检测方法在优化时将这两个方向视为整体,即使输出特征被完美对齐,也会造成域不变方向失配。本文中,我们提出了域特定抑制,一种对反向传播中原始卷积梯度的示范性且可泛化的约束,以分离两部分方向并抑制域特定方向。我们进一步在多个领域自适应目标检测任务上验证了我们的理论分析与方法,包括天气、相机配置以及合成到真实世界的自适应。我们的实验结果表明,在 UDA 目标检测领域相比最先进方法取得了显著进展,在所有这些领域自适应场景中实现了 $10.2\sim12.2\%$ mAP 的提升。