基于检测转换器的源自由目标检测
计算机视觉与模式识别
2025-10-14 v1 人工智能
摘要
源自由目标检测 (SFOD) 使能够在不访问源数据的情况下将源域知识传递到无监督目标域进行目标检测。现有大多数 SFOD 方法要么局限于常规目标检测 (OD) 模型如 Faster R-CNN, 要么设计为通用解决方案, 而未为新型 OD 架构 - 尤其是检测转换器 (DETR) - 进行量身定制。本文引入了特征重加权与对比学习网络 (FRANCK), 一个专为为 DETRs 执行查询中心特征增强而设计的新型 SFOD 框架。FRANCK 包含四个关键组件: (1) 基于对象性得分的样本重加权 (OSSR) 模块, computes attention-based 对象性得分于多尺度编码器特征图, 并对检测损失进行重加权以强调较少识别的区域; (2) 基于匹配记忆库的对比学习 (CMMB) 模块, 将多级特征整合到记忆库中, 以增强类别级对比学习; (3) 不确定性加权查询融合特征蒸馏 (UQFD) 模块, 通过预测质量重加权和查询特征融合改进特征蒸馏; (4) 具有动态教师更新间隔 (DTUI) 的改进自训练管道以优化伪标签质量。通过利用这些组件, FRANCK 有效地将源域预训练的 DETR 模型适配到目标域，具备增强的鲁棒性和泛化能力。在多个广泛使用的基准测试上进行的大规模实验表明, 本方法实现了最先进的性能, 凸显其与 DETR-based SFOD 模型的有效性和兼容性。
引用
@article{arxiv.2510.11090,
title = {Source-Free Object Detection with Detection Transformer},
author = {Huizai Yao and Sicheng Zhao and Shuo Lu and Hui Chen and Yangyang Li and Guoping Liu and Tengfei Xing and Chenggang Yan and Jianhua Tao and Guiguang Ding},
journal= {arXiv preprint arXiv:2510.11090},
year = {2025}
}
备注
IEEE Transactions on Image Processing