A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data 论文链接：https://arxiv.org/abs/2012.05400 本文首次提出了一种data-free 域自适应目标检测（SFOD）框架，方法是将其建模为带有噪声标签的学习问题，表现SOTA！性能优于AT-Faster、DA-Detection等网络，作者单位：华南理工大学, 海康威视, 浙大

无监督域适应（UDA）假定源域和目标域数据是免费可用的，并且通常一起训练以减少域差距。但是，考虑到数据保密性和数据传输效率低下，在实际情况下这是不切实际的。因此，它吸引了我们的眼光，以在目标域中优化网络而无需访问标记的源数据。为了探索目标检测的这一方向，我们首次提出了一种无数据的域自适应目标检测（SFOD）框架，方法是将其建模为带有噪声标签的学习问题。通常，一种直接的方法是利用源域中的预训练网络来生成伪标签，以进行目标域优化。但是，由于目标域中没有可用的标签，因此很难评估伪标签的质量。在本文中，自熵下降（SED）是一种度量标准，旨在在不使用任何手工标签的情况下搜索适当的置信度阈值以可靠地生成伪标签。尽管如此，仍然无法获得完全清洁的标签。经过全面的实验分析，发现false negatives在所产生的噪声标签中占主导地位。毫无疑问，错误否定挖掘有助于提高性能，我们通过像Mosaic这样的数据增强将其简化为错误否定仿真。在四个有代表性的适应任务中进行的广泛实验表明，所提出的框架可以轻松实现最新性能。从另一个角度来看，它也提醒UDA社区，在现有方法中未充分利用标记的源数据。

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