GOOD：迈向领域泛化的有向目标检测

近年来，有向目标检测得到了快速发展，但大多数方法假设训练图像和测试图像具有相同的统计分布，这与实际情况相差甚远。在本文中，我们提出了领域泛化有向目标检测的任务，旨在探索有向目标检测器在任意未见目标领域上的泛化能力。学习领域泛化的有向目标检测器尤其具有挑战性，因为跨领域的风格变化不仅会对内容表示产生负面影响，还会导致不可靠的方向预测。为了应对这些挑战，我们提出了一种泛化有向目标检测器（Generalized Oriented Object Detector, GOOD）。在通过新兴的对比语言-图像预训练（CLIP）进行风格幻觉之后，它包含两个关键组件，即旋转感知内容一致性学习（RAC）和风格一致性学习（SEC）。所提出的 RAC 使有向目标检测器能够从风格多样化的样本中学习稳定的方向表示。所提出的 SEC 进一步稳定了不同图像风格下内容表示的泛化能力。在多种跨领域设置上的大量实验表明，GOOD 实现了 SOTA 性能。源代码将公开发布。