用于无监督领域自适应对象检测的互补掩码技术与循环训练方法

《IEEE Transactions on Multimedia》：Complementary Masking and Cyclic Training for Unsupervised Domain Adaptive Object Detection

　　

摘要：

无监督领域自适应对象检测（UDAOD）将知识从标记的源领域转移到未标记的目标领域，从而提高了检测器在多样化数据分布下的适应性。尽管教师-学生框架的进步在弥合领域差距方面显示出显著的前景，但仍存在两个挑战：由于对目标领域的不了解，预训练模型的可靠性不足；以及低质量伪标签带来的负面影响。为了解决这些挑战，我们提出了一个两阶段的教师-学生框架，称为互补掩蔽和循环训练（CMCT）。具体来说，我们在预训练阶段引入了一种互补掩蔽策略，通过最小化教师网络和学生网络对相同对象的表示差异来实现这一目标。这使得目标领域知识的学习成为可能，并提高了预训练模型的可靠性。在随后的自我训练阶段，我们采用了一种循环训练策略，结合了迭代混合伪标签训练和对抗性特征对齐。这种策略减轻了低质量伪标签的负面影响，同时提供了更可靠的监督信号。在包括城市景观、雾蒙蒙的城市景观、Sim10K、Cityscapes、Cityscapes和BDD100K在内的三种跨领域场景中的广泛实验表明，所提出的CMCT取得了有竞争力的性能。特别是在Cityscapes场景中，该方法获得了53.4%的mAP值。