CAT: Exploiting Inter-Class Dynamics for Domain Adaptive Object Detection

领域自适应目标检测旨在将检测模型适应到没有标注数据的领域。现有方法已经提出，使用半监督的师生框架来解决领域差距的问题。然而，在标记的训练集中存在的类别不平衡会导致伪标签不准确，这是一个根本性的问题。类别之间的关系，特别是其中一个类是多数派，另一个是少数派，对类别偏差有很大影响。我们提出了Class-Aware Teacher（CAT）来解决领域自适应设置中的类别偏差问题。在我们的工作中，我们使用Inter-Class Relation模块（ICRm）来近似类别关系，并利用它来减少模型内的偏差。通过这种方式，我们能够对高度相关的类别进行增强，包括跨域和内域，以提高少数类别的性能，同时对多数类别的影响最小。我们通过在分类损失中实现类别关系权重来进一步减少偏差。在各种数据集和消融研究中进行的实验表明，我们的方法能够解决领域自适应设置中的类别偏差问题。在Cityscapes到Foggy Cityscapes数据集上，我们获得了52.5 mAP，比最先进的方法的51.2 mAP有了显著的提高。

解决问题：论文旨在解决域自适应目标检测中的类别偏差问题，尤其是针对少数类别的偏差。

关键思路：论文通过引入类别关系模块（ICRm）来近似类别之间的关系，并利用它来减少模型中的偏差。同时，通过在分类损失中实现类别关系权重来进一步减少偏差。

其他亮点：论文在多个数据集上进行了实验和消融研究，表明该方法能够有效地解决域自适应目标检测中的类别偏差问题。在Cityscapes to Foggy Cityscapes数据集上，该方法的mAP达到了52.5，比现有最先进方法的51.2有了显著提升。

相关研究：近期在该领域的相关研究包括：1）Domain Adaptive Faster R-CNN for Object Detection in the Wild；2）Adversarial Discriminative Domain Adaptation for Object Detection；3）Progressive Feature Alignment for Unsupervised Domain Adaptation