面向目标检测的渐进式领域自适应

近年来，基于深度学习的目标检测方法严重依赖大量边界框标注数据。然而，获取这些标注不仅耗时耗力，成本高昂，且当模型在分布不同的测试图像上进行评估时，其泛化能力往往较差。领域自适应（Domain Adaptation）为此提供了一种解决方案，即通过将已有标注迁移到目标测试数据分布中，实现模型适应。然而，源域与目标域之间若存在显著差异，将导致适应过程极具挑战性，进而引发训练不稳定和性能欠佳的问题。为此，本文提出通过引入一个中间域，逐步解决一系列难度较低的适应子任务，以有效弥合域间差距。该中间域通过将源域图像进行风格迁移，模拟目标域的图像特征来构建。为应对领域分布偏移问题，我们采用对抗学习策略，在特征层面实现源域与中间域之间的分布对齐。此外，针对中间域中图像质量参差不齐的问题，引入加权任务损失函数以增强模型对高质量样本的关注。实验结果表明，所提方法在目标域上的性能优于当前最先进的方法。