用于自适应目标检测的强-弱分布对齐

我们提出一种用于目标检测器从标注丰富域到标注匮乏域的无监督自适应方法，可显著降低检测相关的标注成本。近来，利用对抗损失对齐源域与目标域图像分布的方法已被证明对目标分类器自适应有效。然而，对于目标检测，在全局图像层面将源域和目标域的整个分布完全相互匹配可能会失败，因为不同域可能具有截然不同的场景布局与不同的目标组合。另一方面，对纹理、颜色等局部特征进行强匹配是合理的，因为这不改变类别级语义。这促使我们提出一种基于强局部对齐与弱全局对齐的检测器自适应新方法。我们的关键贡献是弱对齐模型，它将对抗对齐损失聚焦于全局相似的图像，而较少强调对齐全局不相似的图像。此外，我们设计的强域对齐模型仅关注特征图的局部感受野。我们在包含大、小域偏移的四个数据集上实证验证了方法的有效性。我们的代码见 \url{https://github.com/VisionLearningGroup/DA_Detection}。