FSCA-Net：基于特征分离跨注意力网络的鲁棒多数据集训练
计算机视觉与模式识别
2026-02-03 v1
摘要
人群计数在公共安全、交通管控与智慧城市管理中才作为关键任务。然而，尽管 CNN 与 Transformer 类模型在此方面取得了显著进展，但其性能在面对不同环境时常会恶化，因遭遇严重的域间差异。直观上应通过在多个数据集上联合训练来提升泛化能力，实际上却导致负迁移，因共享表征与域特定表征相互纠缠。为此，我们提出特征分离与跨注意力网络 FSCA-Net，一个统一框架，显式地将特征表征解耦为域无关与域特定成分。我们提出的跨注意力融合模块适应性地建模这些组件之间的相互作用，确保有效知识迁移的同时保留数据集特定的判别性。此外，引入互信息优化目标，以最大化域无关特征间的一致性、最小化域特定特征间的冗余性，从而促进互补的共享-私有表征。大量实验表明，FSCA-Net 在多个人群计数基准数据集上有效缓解了负迁移，实现了领先的跨数据集泛化，为实际的人群分析提供了稳健且可扩展的解决方案。
引用
@article{arxiv.2602.01540,
title = {FSCA-Net: Feature-Separated Cross-Attention Network for Robust Multi-Dataset Training},
author = {Yuehai Chen},
journal= {arXiv preprint arXiv:2602.01540},
year = {2026}
}