基于视觉相似配对的鲁棒跨域目标检测

训练数据（源域）与真实环境（目标域）之间的域间差异常导致目标检测模型性能下降。现有大多数方法通过对齐源域和目标域的特征来弥合这一差距，但往往未能考虑配对中视觉差异（如颜色或方向），从而导致域适应效果不足。鉴于此，本文首次基于自构建数据集证明，对视觉相似配对进行对齐可显著提升域适应效果。基于此洞察，我们提出了一种新型基于记忆的系统，用于增强域间对齐。该系统存储源域中前景目标和背景区域的预计算特征，并在训练期间定期更新。通过检索与目标前景和背景特征视觉相似的源域特征进行对齐，模型能够有效处理域特定差异（如雾霾），同时降低视觉变异的影响。广泛的实验在多种域迁移场景下验证了本方法的有效性，在Foggy Cityscapes上实现53.1的mAP，在Sim10k上实现62.3的mAP，超越现有SOTA方法分别提升了1.2和4.1的mAP。