【CVPR2023】多视图对抗判别器 MAD ：挖掘未知领域目标检测中的非因果因素

论文题目：Multi-view Adversarial Discriminator: Mine the Non-causal Factors for Object Detection in Unseen Domains

代码：https://github.com/K2OKOH/MAD

导读

这篇论文探讨了一个具有挑战性的问题，即如何在实际应用中将目标检测模型适应到未知的目标领域。在传统的目标检测方法中，通常基于独立同分布（i.i.d.）的假设，即训练和测试数据集具有相同的分布。然而，在现实世界中，这一假设很难成立，因为目标领域的分布通常与源领域不同，这被称为域漂移，而目标检测模型在面对域漂移问题时性能急剧下降。

为了解决这个问题，本文提出了一种全新的方法，称为Multi-view Adversarial Discriminator（MAD），旨在从多个视图中鉴别特征，以去除非因果因素并净化共同特征。为了增加源领域的多样性，作者还引入了一个Spurious Correlation Generator（SCG）。通过将MAD与SCG结合，研究人员构建了一个能够有效处理域漂移问题的新型域泛化模型。

本文贡献

• 非因果因素的识别和去除：MAD方法通过多个视角观察源域特征，并将这些特征映射到不同的潜在特征空间（视角），以识别和去除在不同视角中非显著的非因果因素。这有助于提取更纯净的领域不变特征。

• 模块设计：MAD模型包括两个关键模块，一个是假相关生成器（SCG），用于增加源域数据的多样性，另一个是多视图域分类器（MVDC），用于将特征映射到多个潜在空间。这两个模块协同工作，提高了非因果因素的剔除能力。

• 实验证明：论文通过在六个标准数据集上进行大量实验，证明了MAD算法在目标检测任务中具有最佳的泛化性能，相对于传统方法取得了显著的性能提升。

相关工作

域自适应目标检测（Domain Adaptive Object Detection，DAOD）

目标检测是计算机视觉中的一个重要问题，旨在在图像中定位和分类指定的对象实例。现代目标检测方法可以分为一阶段方法和二阶段方法。传统目标检测方法在实际应用中受到域偏移的困扰，导致性能下降。

为了减轻由领域偏移引起的性能下降，提出了许多域自适应目标检测方法（DAOD），这些方法通过领域对抗学习（DAL）从有标签的源域和无标签的目标域中训练模型，以缓解领域偏移问题。DAOD方法可以分为基于对抗的方法和基于重建的方法。前者引入了领域对抗学习结构来对齐特征图，后者通过生成类似目标域的伪样本来解决问题。

然而，DAOD方法仍然存在一些问题，如需要额外收集无标签目标域数据，以及不能保证特征的因果性。因此，本文希望找