论文链接：https://arxiv.org/abs/2203.06398
项目链接：https://github.com/CityU-AIM-Group/SIGMA
域自适应对象检测 (DAOD) 利用标记域来学习对象检测器，该对象检测器泛化到没有注释的新域。最近的进展通过缩小跨域原型（类中心）来调整类条件分布。尽管取得了巨大成功，但它们忽略了训练批次中显着的类内方差和域不匹配语义，导致次优适应。为了克服这些挑战，我们为 DAOD 提出了一种新的语义完整图匹配 (SIGMA) 框架，该框架完成了不匹配的语义并重新制定了图匹配的适应。具体来说，我们设计了一个图嵌入语义完成模块（GSC），通过在缺失类别中生成幻觉图节点来完成不匹配的语义。然后，我们建立跨图像图来模拟类条件分布，并学习一个图引导的记忆库，以便依次更好地完成语义。在将源数据和目标数据表示为图之后，我们将自适应重新表述为图匹配问题，即在图上找到匹配良好的节点对以减少域间隙，这是通过一种新颖的二分图匹配适配器 (BGM) 解决的。简而言之，我们利用图节点建立语义感知节点亲和性，并利用图边作为结构感知匹配损失中的二次约束，通过节点到节点的图匹配实现细粒度自适应。大量实验证明 SIGMA 显着优于现有作品。
SIGMA 的整体框图：主要包含 GSC和 BGM 两个部分，GSC 负责建图并补全 mismatched 的类别信息，BGM 负责匹配与 DA
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢