摘要
跨域弱监督目标检测旨在将完全标注的源域数据集（即包含目标边界框）中的对象级知识，迁移到弱标注的目标域（即仅包含图像级别标签）上，以训练目标检测器。与文献中普遍采用的域级分布匹配方法不同，本文提出通过学习像素级的跨域对应关系，实现更精确的知识迁移。该方法通过一种新颖的跨域协同注意力机制实现，该机制以区域竞争的方式进行训练。在该机制中，跨域对应模块旨在寻找目标域图像中具有信息量的特征，这些特征经映射至源域图像后，能够最好地解释源域的标注信息；与此同时，一个协同掩码生成器则竞争性地掩码掉目标域图像中相关区域，使得剩余特征变得不具信息性。这种竞争性学习策略促使跨域图像对中的完整前景区域建立强关联，从而准确揭示目标域中对象的实际范围。为进一步缓解跨域对应学习中存在的模糊性，本文进一步提出一种域间循环一致性正则化机制，利用更具可靠性的域内对应关系来增强学习效果。实验结果表明，所提方法在多个数据集上均显著优于现有方法，实现了持续且显著的性能提升。