Single-Domain Generalized Object Detection in Urban Scene(CVPR 22) 论文笔记

       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，进行重新解缠。值得注意的是，在前