摘要
跨域目标检测具有挑战性，其核心在于对齐有标签的源域与无标签的目标域。以往的方法通过对抗训练在图像级和实例级实现特征对齐。在实例级对齐中，找到与目标样本相匹配的合适源样本至关重要。所谓“合适”的源样本，应仅在域属性上与目标样本存在差异，而在诸如方向、颜色等无关特征上保持一致，以避免干扰模型对域差异的聚焦。然而，现有实例级特征对齐方法在寻找合适源实例方面存在困难，主要原因在于其搜索范围受限于小批量（mini-batch）数据。由于小批量通常规模较小，往往无法包含与目标样本匹配的合适源实例。当目标实例具有较高的类内差异性时，小批量中特征多样性不足的问题尤为突出。为解决上述问题，本文提出一种基于记忆机制的实例级域自适应框架。该方法通过从记忆存储中检索与目标实例类别相同且最相似的源实例，实现两者之间的对齐。具体而言，我们引入一个记忆模块，用于动态存储所有有标签源实例的池化特征，并按类别进行组织。此外，我们设计了一个简单而有效的记忆检索模块，能够为目标实例检索出一组匹配的记忆槽（memory slots）。在多种域偏移场景下的实验结果表明，所提方法显著优于现有的非记忆型方法。