去简化伪标签以提升域自适应目标检测

尽管目标检测在交通与交通场景中取得了显著成功，但获取高质量标记数据需要大量耗时和劳动力。因此，针对目标检测的无监督域适应 (UDA) 日益受到关注。UDA 主导性方法是域对齐类方法，取得了顶级性能。最近，自标签方法因其简单高效而受到青睐。本文调查阻止自标签检测器实现与域对齐方法持平性能的局限性。具体而言，我们确定训练期间简单样本的高比例——即简单标签偏差——是核心原因。我们提出一种新方法，称为去简化伪标签 (DeSimPL)，以缓解此问题。DeSimPL 利用实例级记忆库实现创新的伪标签更新策略。随后引入对抗样本以提升比例。进而，我们提出自适应加权损失，以避免模型在后期训练期间面临大量误正样本的困扰。实验结果表明，DeSimPL 有效减少了训练期间简单样本的比例，显著提升了自标签检测器的性能。广泛的实验在四个基准数据集上验证了我们的分析与结论。