用于改进域适应目标检测的PACF：原型增强紧凑特征
计算机视觉与模式识别
2025-01-16 v1
摘要
近年来，目标检测取得了显著进展。然而，将即插即用的检测器应用于新领域会导致显著性能下降，这由领域间差异引起。这些检测器在目标领域中表现出比源领域更高的类条件分布方差，以及均值漂移。为解决此问题，我们提出了原型增强紧凑特征(Prototype Augmented Compact Features, PACF)框架，用于正规化类内特征的分布。具体而言，我们对目标特征相关似然性的下界进行深入理论分析，推导原型交叉熵损失以进一步校准目标ROI特征的分布。此外，设计了互相正规化的策略，使线性分类器和原型基分类器能够从彼此学习，从而促进特征紧凑性并增强判别性。由于采用了PACF框架，我们获得了更紧凑的跨域特征空间，在该空间中，目标特征类条件分布的方差显著降低，两个领域之间的类均值漂移也进一步减小。不同适应设置的结果均为最先进水平，表明了该方法的广泛适用性和有效性。
引用
@article{arxiv.2501.08605,
title = {PACF: Prototype Augmented Compact Features for Improving Domain Adaptive Object Detection},
author = {Chenguang Liu and Yongchao Feng and Yanan Zhang and Qingjie Liu and Yunhong Wang},
journal= {arXiv preprint arXiv:2501.08605},
year = {2025}
}