TITAN：基于查询标记的域自适应对抗学习
计算机视觉与模式识别
2025-06-27 v1 人工智能
摘要
我们聚焦于源自适应目标检测 (SF-DAOD) 问题，即在适应过程中无法获取源数据，模型必须适应到未标记的目标域。目前解决该问题的大多数方法采用基于学生-教师 (ST) 框架的自监督方法，通过源预训练模型生成伪标签以进行进一步微调。我们观察到，学生模型的性能常常会因教师模型的崩溃而大幅下降，这主要是由于伪标签中的高噪声——源域偏差、差异以及跨域的显著域移——所致。为获得可靠的伪标签，我们提出了一种基于查询标记的目标迭代查询对抗网络 (TITAN)，将目标图像分为两个子集：与源域相似的样本 (容易样本) 和与源域不相似的样本 (困难样本)。我们提出了一种估计方差以划分目标域的策略。该方法利用了以下洞察：更高的检测方差对应更高的召回率以及更大程度的源域相似性。此外，我们将查询标记基's adversarial 模块融入学生-教师基线框架，以减少两种特征表示之间的域间差异。在四个自然图像数据集和两个具有挑战性的医学数据集上进行的实验表明，TITAN 在 C2F、C2B、S2C 和 K2C 基准测试中相较于当前最先进 (SOTA) 方法分别提升了 +22.7、+22.2、+21.1 和 +3.7 个百分点。
引用
@article{arxiv.2506.21484,
title = {TITAN: Query-Token based Domain Adaptive Adversarial Learning},
author = {Tajamul Ashraf and Janibul Bashir},
journal= {arXiv preprint arXiv:2506.21484},
year = {2025}
}
备注
ICCV 2025