基于条件域归一化的目标检测器自适应

现实世界中的目标检测器常常面临不同数据集之间的域差异（domain gap）挑战。本文提出了一种条件域归一化方法（Conditional Domain Normalization, CDN），用于弥合这一域差距。CDN旨在将来自不同域的输入编码至一个共享的潜在空间，在该空间中，不同域的特征均携带相同的域属性信息。为实现这一目标，我们首先通过一个域嵌入模块，从某一域的语义特征中解耦出特定于该域的属性，该模块学习得到一个域向量（domain-vector），用于表征对应域的属性信息。随后，利用该域向量作为条件，对另一域的特征进行条件归一化处理，使得不同域的特征在语义上均携带一致的域属性，从而实现域间特征的对齐。我们将CDN集成到目标检测器的不同卷积阶段，以自适应地应对各层次特征表示所面临的域偏移问题。与现有方法通过在语义特征上进行域混淆学习以消除域特定因素不同，CDN通过以某一域所学习到的域向量为条件，对另一域的语义特征进行调制，从而实现不同域分布的对齐。大量实验结果表明，CDN在真实数据到真实数据（real-to-real）以及合成数据到真实数据（synthetic-to-real）的适配基准上均显著优于现有方法，涵盖2D图像检测与3D点云检测任务。