基础模型先验增强特征空间中的目标聚焦以实现无源目标检测
计算机视觉与模式识别
2026-02-24 v3
摘要
当前无源目标检测(SFOD)的最先进方法通常依赖于Mean-Teacher自标记。然而，域偏移通常会降低检测器维持强目标聚焦表示的能力，导致在背景杂波上产生高置信度激活。这种弱目标聚焦导致来自检测头的伪标签不可靠。虽然先前的工作主要改进这些伪标签，但它们忽略了加强特征空间本身的潜在需求。我们提出FALCON-SFOD(基础对齐学习与杂波抑制和噪声鲁棒性)，一个旨在增强域偏移下目标聚焦适应的框架。它包含两个互补组件。SPAR(空间先验感知正则化)利用视觉基础模型的泛化能力来正则化检测器的特征空间。使用源自OV-SAM的类别无关二值掩码，SPAR通过引导网络朝向目标区域来促进结构化和前景聚焦的激活。IRPL(不平衡感知噪声鲁棒伪标记)通过在前景-背景严重不平衡下促进平衡和噪声容忍的学习来补充SPAR。在将这些设计与更紧的定位和分类误差界联系起来的理论分析指导下，FALCON-SFOD在SFOD基准测试中取得了有竞争力的性能。
引用
@article{arxiv.2512.17514,
title = {Foundation Model Priors Enhance Object Focus in Feature Space for Source-Free Object Detection},
author = {Sairam VCR and Rishabh Lalla and Aveen Dayal and Tejal Kulkarni and Anuj Lalla and Vineeth N Balasubramanian and Muhammad Haris Khan},
journal= {arXiv preprint arXiv:2512.17514},
year = {2026}
}
备注
Accepted at CVPR 2026