Align and Distill: Unifying and Improving Domain Adaptive Object Detection

目标检测器通常在与其训练集不同的数据上表现不佳。最近，域自适应目标检测（DAOD）方法已经展示了在解决这一挑战方面的强大结果。不幸的是，我们发现存在系统性的基准测试陷阱，这些陷阱质疑了过去的结果并阻碍了进一步的进展：（a）由于基线不足而高估性能，（b）不一致的实现实践防止了方法的透明比较，以及（c）由于过时的骨干网络和基准测试中缺乏多样性而缺乏普适性。我们通过引入以下内容来解决这些问题：（1）一个统一的基准测试和实现框架，Align and Distill（ALDI），使DAOD方法的比较成为可能，并支持未来的发展，（2）一个公平和现代的DAOD训练和评估协议，解决基准测试陷阱，（3）一个新的DAOD基准测试数据集，CFC-DAOD，使得可以在不同的真实数据上进行评估，以及（4）一种新的方法，ALDI++，通过大幅度超越以前的最新技术，实现了最新的技术。在Cityscapes到Foggy Cityscapes上，ALDI++的AP50比以前的最新技术高出+3.5，Sim10k到Cityscapes上的AP50比公平基线高出+5.7（其中我们是唯一的一种方法，超过了公平基线），在CFC Kenai到Channel上的AP50比以前的最新技术高出+2.0。我们的框架、数据集和最新技术为DAOD提供了一个关键的重置，并为未来的研究提供了坚实的基础。代码和数据可用：https://github.com/justinkay/aldi和https://github.com/visipedia/caltech-fish-counting。

论文旨在解决域自适应目标检测（DAOD）中存在的基准测试陷阱问题，包括基线不足、实现不一致和基准测试缺乏多样性等问题。

论文提出了一个统一的基准测试和实现框架ALDI，以及一个新的DAOD基准数据集CFC-DAOD和一种新方法ALDI++，通过使用现代训练和评估协议解决基准测试陷阱问题，并且ALDI++在多个基准测试中实现了最新的最优结果。

ALDI框架、CFC-DAOD数据集和ALDI++方法提供了一个强大的DAOD研究基础，实验结果显示ALDI++在多个基准测试中实现了最新的最优结果，开源代码和数据可用。

最近的相关研究包括：Domain Adaptive Faster R-CNN for Object Detection in the Wild，Learning to Adapt to Unseen Domains via Memory-based Multi-Source Domain Generalization等。