面向域自适应目标检测的任务特定不一致对齐

使用海量标注数据训练的检测器常在某些数据分布存在差异的特定场景中表现出显著的性能退化。为缓解这种域偏移问题，传统方法通常仅通过附加的域分类器来减小源域与目标域之间的差异，却忽略了此类可迁移特征在应对目标检测中分类与定位两个子任务时的困难。为解决该问题，本文提出任务特定不一致对齐（TIA），通过在分离的任务空间中建立新的对齐机制，提升检测器在两个子任务上的性能。具体而言，我们为分类与定位分支各添加一组辅助预测器，并利用其行为不一致性作为更细粒度的域特定度量。随后，我们设计任务特定的损失来对齐两个子任务的此类跨域不一致性。通过分别优化它们，我们能够在各任务空间中很好地逼近类别级与边界级的差异，从而以解耦方式缩小这些差异。TIA 在各种场景下均优于先前的最先进（SOTA）方法。我们还观察到检测器的分类与定位能力均得到充分增强，进一步证明了我们 TIA 方法的有效性。代码与训练模型已公开于 https://github.com/MCG-NJU/TIA。