无实例自适应目标检测

尽管域自适应目标检测(DAOD)取得了显著进展，但大多数方法依赖于假设包含足够前景实例的无标签目标数据。然而，在许多实际场景中(如野生动物监测、病灶检测)，收集具有目标对象的感兴趣区域数据成本高昂，而仅含背景的数据则丰富。这一常见约束引入了显著技术挑战：在无目标实例的情况下如何实现域对齐，迫使适应仅依赖于目标背景信息。我们将这一挑战表述为无实例域自适应目标检测的新问题。为此，我们提出了关系结构一致网络(RSCN)，其 pioneers一种基于背景特征原型的对齐策略，同时鼓励源域前景特征与目标域背景特征之间的关系一致性，即使没有目标实例也能实现稳健适应。为促进研究，我们进一步策划了三个专业基准，包括仿真自动驾驶检测、野生动物检测和肺结节检测。广泛实验表明，在无实例场景下，RSCN在所有三个基准上均显著优于现有DAOD方法。代码和基准将很快公开。