自训练与对抗学习协同用于域自适应目标检测

我们研究将已训练的目标检测器适配到呈现显著目标外观、视角与背景变化的未知域。当前大多数方法通过对抗方式利用图像或实例级特征对齐来对齐域，这常因存在不期望的背景而受影响，且缺乏类特定的对齐。促进类级对齐的一种常见补救方法是利用未标记域上的高置信度预测作为伪标签。这些高置信度预测往往不可靠，因为模型在域偏移下校准不良。本文中，我们提出利用模型预测不确定性，在对抗特征对齐与类级对齐之间取得恰当平衡。具体而言，我们度量类分配与边界框预测上的预测不确定性。低不确定性模型预测用于生成自监督的伪标签，而较高不确定性的预测用于生成分块以送入对抗特征对齐阶段。这种围绕不确定目标区域分块与从高度确定目标区域生成伪标签的协同，使我们能在模型适配阶段同时捕获图像与实例级上下文。我们进行了涵盖多种域偏移场景的广泛实验。我们的方法以可见的幅度优于现有最先进方法。