Every Pixel Matters: Center-aware Feature Alignment for Domain Adaptive Object Detector

早上起来想到可以用全卷积的方式生成实例级的特征，在进行迁移。到实验室就看到了这篇文章，好巧。
注意！！文章里的FC代表的全卷积不是全连接

首先作者认为，图像级和实例迁移背景和噪声太多，损失太大。而基于中心区域的迁移会减少这种误差。

作者使用anchor-free的检测框架作为检测pipeline。首先一个G（CNN）提取特征后进行一个图像级的迁移，然后经过P（全卷积FC）生成两个特征图，类别无关Mctr和类别相关Mcls。

Mctr就是anchor-free检测框架下中对中心点的预测，Mcls是对像素的分类结果（首先生成HxWxC，再sigmoid，再按照通道取最大值。为什么不用softmax？）。把Mctr和Mcls相乘得到Mca作为中心区域的权重，Mca乘上featuremap就得到了关注中心区域featuremap，再用这个featuremap做迁移就是所谓的更关注于中心的迁移。

网络整体的LOSS就是检测LOSS+全局迁移LOSS+中心LOSS。
检测的话因为有了中心点和类别，所以后续操作很好进行。