量化对象检测中的域适应中的上下文偏差

对象检测的域适应（DAOD）已成为应对训练域与部署域之间分布迁移导致的性能下降的关键技术。然而,影响DAOD的关键因素——源自学习到的前景-背景（FG-BG）关联所导致的上下文偏差——长期未被充分探讨。我们针对前景-背景关联提出三个核心问题:是否存在训练过程中编码FG-BG关联、FG-BG关联是否存在因果关系、FG-BG关联是否影响DAOD。为考察模型如何捕获FG-BG关联,我们通过背景遮蔽和特征扰动分析类别级和特征级性能退化,以准确率变化（定义为下降率）进行衡量。为探索FG-BG关联的因果作用,我们应用do-calculus进行因果推断,并依据类别激活图（CAM）引导。为量化FG-BG关联在跨域中的因果影响,我们提出一种新颖度量——域关联梯度,定义为下降率与最大均值差异（MMD）之比。通过系统性实验，包括背景遮蔽、特征级扰动和CAM分析，我们揭示卷积基对象检测模型会编码FG-BG关联。结果表明，上下文偏差不仅存在，还会因果性地削弱对象检测模型在跨域泛化能力。此外，我们在多个模型和数据集上验证了这些发现，包括最先进的ALDI++架构。本研究凸显了在DAOD框架中显式处理上下文偏差的必要性，为开发更具鲁棒性和可泛化性的对象检测系统提供了洞见。