基于相似性的领域对齐：面向自适应目标检测的相似性方法

为了在广泛多样的场景中稳健部署目标检测器，模型应具备在不依赖持续标注新数据的前提下，适应输入数据分布变化的能力。这一需求推动了无监督域自适应（Unsupervised Domain Adaptation, UDA）检测算法的研究进展。UDA方法通过在源域（带标签）与目标域（无标签）之间建立检测器特征的对齐，实现从源域到目标域的适应。然而，目前在应 align 哪些特征以及如何实现对齐方面尚无统一共识。在本研究中，我们提出了一种通用框架，该框架整合了UDA方法中常见的各类组件，为深入分析UDA的设计空间奠定了基础。具体而言，我们提出了一个新型UDA算法——ViSGA，作为该框架的直接实现。ViSGA融合了最优的设计选择，并引入了一种简单而高效的方法：在通过对抗训练进行组间对齐之前，基于视觉相似性对实例级特征进行聚合。实验表明，基于相似性的特征分组与对抗训练的结合，使模型能够聚焦于粗粒度地对齐特征组，而无需强制在松散对齐的域之间匹配所有实例。最后，我们进一步考察了ViSGA在标签数据来自多个不同来源的多源场景下的适用性。实验结果表明，不仅ViSGA在Sim2Real和恶劣天气（Adverse Weather）等基准任务上显著优于以往的单源方法，而且在多源设置下也展现出良好的泛化能力。