本文主要研究如何提高目标检测器的泛化能力。作者考虑一个现实的但具有挑战性的场景,即单域广义目标检测(Single-DGOD),其目的是学习一个目标检测器,在许多看不见的目标域上表现良好,只有一个源域进行训练。对于Single-DGOD,提取包含对象本质特征的域不变表示(DIR)非常重要,这有利于提高对不可见域的鲁棒性。因此,我们提出了一种方法,即循环分离自我蒸馏,在没有领域相关注释(例如,领域标签)监督的情况下,将DIR从领域特定的表示中分离出来。具体地说,首先提出了一个循环解缠模块,从输入的视觉特征中循环提取DIR。通过循环操作,可以在不依赖域相关标注的情况下提高解缠能力。
Introduction
该数据集包含5个具有不同天气条件的域:白天晴天、晚上晴天、黄昏雨天、晚上雨天和白天雾天。Single-DGOD的目标是在一个源域数据集(例如,白天有阳光的场景)上训练检测器,并很好地推广到多个目标域。提取域不变表示有利于将检测器推广到不可见的域
对于Single-DGOD,为了在不使用域相关注释的情况下提高解缠能力,作者提出了一个循环解缠模块。向前方向,给定特征图Fb,设计两个提取器EDIR和EDSR提取Fdi和Fds。对于反向,我们分别以Fdi和Fds作为模块的输入,进