【标题】Domain Adaptive Object Detection via Feature Separation and Alignment 【作者团队】Chengyang Liang, Zixiang Zhao, Junmin Liu, Jiangshe Zhang 【发表时间】2020.12/16 【论文链接】https://arxiv.org/pdf/2012.08689.pdf 【论文代码】 【推荐理由】 本文提出了一种新颖的用于领域自适应目标检测的特征分离和对齐网络(FSANet)，该网络能有效分离干扰和冗余特征，使目标检测模型聚焦于对目标检测有用的特征。 基于对抗的领域自适应目标检测（DAOD）方法发展迅速。然而，该方法有两个问题亟需解决。首先，许多方法只通过在源域和目标域之间对齐所有特征来减少分布偏移，而忽略每个域的独有信息。其次，DAOD应考虑图像中对象现有区域的特征对齐。但是区域提议的冗余和背景噪声会降低域的可转移性。因此，本文建立了由灰度特征分离(GSFS)模块、局部全局特征对准(LGFA)模块和区域实例级对准(RILA)模块组成的特征分离和对准网络。GSFS模块通过双流框架分解对检测无用/有用的干扰/共享信息，以关注目标的内在特征并解决第一个问题。然后，LGFA和RILA模块减少了多层次特征的分布转移。值得注意的是，利用尺度空间滤波来实现对要对齐的区域的自适应搜索，并且细化每个区域中的实例级特征以减少第二个问题中提到的冗余和噪声。在多个基准数据集上的实验表明， FSANet相比于其他模型在自适应目标检测方面取得了最优的性能。 图1：FSANet网络整体架构

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