摘要
近年来，自适应目标检测技术通过引入对抗性特征适配，有效缓解了检测流程中特征分布偏移的问题，取得了令人瞩目的进展。尽管对抗性适配显著提升了特征表示的可迁移性，但目标检测器的特征判别能力仍缺乏充分研究。此外，在复杂物体组合以及源域与目标域之间存在显著场景布局差异的情况下，可迁移性与判别性之间可能存在矛盾。针对这一问题，本文提出一种分层可迁移性校准网络（Hierarchical Transferability Calibration Network, HTCN），通过在局部区域、图像整体和实例三个层次上对特征表示的可迁移性进行分层校准，以实现可迁移性与判别性的协同优化。所提出的HTCN模型包含三个核心组件：（1）基于输入插值的重要权重对抗训练（Importance Weighted Adversarial Training with input Interpolation, IWAT-I），通过重新加权插值后的图像级特征，增强特征的全局判别能力；（2）上下文感知的实例级对齐（Context-aware Instance-Level Alignment, CILA）模块，通过捕捉实例级特征与全局上下文信息之间的潜在互补效应，提升实例级特征对齐的判别性能；（3）局部特征掩码机制，用于校准局部区域的可迁移性，为后续的判别模式对齐提供语义引导。实验结果表明，HTCN在多个基准数据集上显著优于当前最先进的方法，验证了其在提升自适应目标检测性能方面的有效性与优越性。