摘要
自适应目标检测技术的进展有望在自主导航等应用中带来显著提升，因其能够缓解检测流程中的分布偏移问题。以往的研究采用对抗学习策略，在全局与局部层面实现图像特征对齐，但实例级特征错位问题依然存在。此外，由于背景场景的视觉多样性以及物体之间复杂的组合关系，自适应目标检测仍面临巨大挑战。基于结构重要性的启发，我们致力于关注具有显著实例特性的区域，以克服特征错位问题。为此，本文提出一种新颖的残差自注意力特征对齐方法（Residual Self-Attentive Feature Alignment, ILLUME），用于自适应目标检测。ILLUME包含自注意力特征图（Self-Attention Feature Map, SAFM）模块，该模块增强了对与目标相关区域的结构化注意力，从而生成域不变特征。所提方法显著降低了域间距离，提升了实例级别的特征对齐效果。定性分析表明，ILLUME能够有效聚焦于实现特征对齐所必需的重要目标实例。在多个基准数据集上的实验结果表明，本方法在性能上优于现有最先进方法。