单源域泛化目标检测的风格自适应检测转换器

单源域泛化 (SDG) 在目标检测中旨在开发仅使用 source domain 数据即可在未知 target domain 上取得好性能的检测器。现有方法主要基于 CNN，通过数据增强结合特征对齐来提高鲁棒性。然而，这些方法受限于只有当合成分布近似于未知域的分布时，增强才有效，从而无法确保在多样化情景下的泛化。尽管检测转换器 (DETR) 由于全局上下文建模在 domain adaptation 中展现出强大的泛化能力，但其在 SDG 领域的潜力尚未得到充分探索。为此，我们提出了风格自适应检测转换器 (SA-DETR)，这是一种针对 SDG 的 DETR-based 检测器。SA-DETR 引入一种在线 domain style adapter，将未知 domain 的风格表示投射到 source domain，通过动态 memory bank 实现。这一 bank 在 test-time adaptation 框架下自组织为多样化的风格 prototype 并不断更新，从而实现有效的风格校正。此外，我们设计了 object-aware 对比学习模块以促进提取 domain-invariant 特征。通过施加约束于空间和语义维度的 gating mask，此模块促进 instance-level 的跨域对比并增强泛化。在五个不同的天气情景中进行的大量实验表明，SA-DETR 在检测精度和 domain 泛化能力方面均优于现有方法。