模拟分布动力学：基于液体神经网络的单域通用目标检测中的液体时间特征演化
计算机视觉与模式识别
2025-11-14 v1
摘要
本文聚焦于单域通用目标检测（Single-DGOD），旨在将在一个源域上训练的检测器迁移到多个未知域。现有方法通常依赖离散数据增强或静态扰动方法来扩充数据多样性，从而缓解缺乏目标域数据的问题。然而，在实际场景中，随着天气或照明条件的变化，域迁移往往是连续且渐进的。离散增强和静态扰动难以有效捕捉特征分布的动态变化，从而限制了模型捕捉细粒度跨域差异的能力。为此，我们提出一种新方法——液体时间特征演化（Liquid Temporal Feature Evolution），通过引入时间建模和液体神经网络驱动的参数调整，模拟从源域到模拟潜在分布的特征的渐进演化。具体而言，我们引入可控的高斯噪声注入和多尺度高斯模糊，以模拟初始特征扰动，随后进行时间建模和液体参数调整机制，以生成自适应的调制参数，实现跨域的平滑连续适应。通过捕捉渐进的跨域特征演化和动态调节适应路径，我们的方法弥合了源域与未知域之间的分布差距，显著提升了对未见情况变迁的泛化能力和鲁棒性。在Diverse Weather数据集和Real-to-Art基准上的显著性能提升表明了我们方法的优越性。我们的代码已公开：https://github.com/2490o/LTFE。
引用
@article{arxiv.2511.09909,
title = {Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection},
author = {Zihao Zhang and Yang Li and Aming Wu and Yahong Han},
journal= {arXiv preprint arXiv:2511.09909},
year = {2025}
}