多样化与匹配：面向对象检测的领域自适应表示学习范式

我们提出了一种新颖的无监督领域适应方法，用于目标检测。该方法旨在同时缓解像素级适应中的不完美转换问题以及特征级适应中的源偏差判别性问题。我们的方法由两个阶段组成，即领域多样化（Domain Diversification, DD）和多领域不变表示学习（Multi-domain-invariant Representation Learning, MRL）。在DD阶段，我们通过从源领域生成各种独特的偏移领域来多样化标记数据的分布。在MRL阶段，我们应用带有多领域判别器的对抗学习，以鼓励特征在不同领域之间不可区分。DD解决了源偏差判别性问题，而MRL则减轻了图像转换的不完善问题。我们构建了一个结构化的领域适应框架，并介绍了一种实用的DD实现方法。我们的方法在多个数据集上以平均精度均值（mean average precision, mAP）为评价指标时，比现有最先进方法提高了3%~11%的性能。