跨越标注间隙：将标签传递以对齐目标检测数据集

组合多个目标检测数据集可提高泛化能力，但因类别语义和边界框注释之间的不一致性而受到阻碍。一些方法假设共享标签分类学，仅解决空间不一致性；另一些方法则需要手动重新标注，或产生统一的标签空间，这在需要固定目标标签空间时可能不适用。我们提出了标签对齐传递 (Label-Aligned Transfer, LAT)，一种系统性地将来自多样源数据集的注释投射到目标数据集标签空间的标签传递框架。LAT 开始训练数据集特定的检测器以生成伪标签，然后通过特权提议生成器 (PPG) 合并真实注释，PPG 替代两阶段检测器中的区域提议网络。为进一步细化区域特征，语义特征融合 (SFF) 模块通过置信度加权注意力机制注入来自重叠提议的类别感知上下文和特征。该管道保留数据集特定的注释细粒度，同时实现跨异构数据集的许多对一标签空间传递， resulting in a semantically and spatially aligned representation suitable for training a downstream detector. LAT 因此在不依赖共享标签空间或手动注释的情况下，同时解决了类别层面的错位和边界框不一致问题。在多个基准测试中，LAT 显示出一致的目标域检测性能提升，实现了最高可达 +4.8AP 的提升。