通过低置信度伪标签蒸馏提升源自由域自适应目标检测

源自由域自适应目标检测 (SFOD) 是一种在不访问源数据的情况下将训练好的检测器部署到新未标记域中的策略，旨在解决数据隐私和效率方面的重大关注。大多数 SFOD 方法依赖于基于均值教师 (MT) 的自训练范式，严重依赖高置信度伪标签 (HPL)。然而，这些 HPL 常常忽略因域迁移导致外观显著变化的小实例。此外，HPL 忽略置信度低的实例，这源于训练样本稀缺，导致对来自源域熟悉实例的适应产生偏差。为此，我们在基于均值教师的 SFOD 框架中引入低置信度伪标签蒸馏 (LPLD) 损失。这种新方法旨在利用区域提议网络 (RPN) 的提议，因为这些提议可能包含不熟悉域中难以检测的对象。最初，我们使用标准的伪标签技术提取 HPL，并从 RPN 生成的提议中挖掘一组不与 HPL 显著重叠的低置信度伪标签 (LPL)，将这些 LPL 通过利用类关系信息并降低 LPLD 损失计算中固有噪声的影响进行进一步细化。此外，我们使用特征距离对 LPLD 损失进行自适应加权，以聚焦于包含更大前景区域的 LPL。我们的方法在四个跨域目标检测基准上超越了之前的 SFOD 方法。大量实验表明，LPLD 损失通过减少误报并促进来自源模型的领域不变知识的使用，实现了有效的适应。代码可在 https://github.com/junia3/LPLD 获取。