摘要
本文致力于提升目标检测器的泛化能力。我们关注一种现实且具有挑战性的场景——单源域泛化目标检测（Single-Domain Generalized Object Detection, Single-DGOD），其目标是在仅使用一个源域数据进行训练的前提下，使所学习的目标检测器能够在多个未见的目标域上均表现出良好的性能。针对Single-DGOD任务，提取包含物体本质特征的域不变表示（Domain-Invariant Representations, DIR）至关重要，这有助于增强模型在未见域上的鲁棒性。为此，本文提出一种无需依赖域相关标注（如域标签）的循环解耦自蒸馏方法，用于从域特定表示中解耦出DIR。具体而言，我们首先设计了一个循环解耦模块，通过循环操作从输入的视觉特征中持续提取DIR，从而在不依赖域标注的情况下有效提升表示的解耦能力。随后，以提取出的DIR作为教师信号，构建自蒸馏模块，进一步增强检测器的泛化性能。在城市场景目标检测任务上的实验结果表明，所提方法在五种不同天气条件下的测试中均显著优于基线方法。尤其在夜间-晴天场景下，性能相较基线提升达3%，充分验证了该方法在提升模型泛化能力方面的有效性。相关数据与代码已公开于：https://github.com/AmingWu/Single-DGOD。