AAAI 2025 | 探索对抗训练的概率分布偏差：DPA 双概率对齐的通用域自适的目标检测方法

主要观点总结

文章介绍了通用域自适应目标检测(UniDAOD)的方法，针对目标检测在跨域数据场景下的挑战。文章详细描述了现有的UniDAOD方法的不足，包括全局特征和实例特征的对齐问题，概率阈值在复杂检测任务中的有效性问题，并提出了双概率建模方法来解决这些问题。文章还介绍了DPA框架的设计思路，包括全局级别域私有对齐、实例级别域共享对齐和私有类别约束。最后，通过实验结果证明了DPA框架在开放集、部分集和封闭集场景中的优越性。

关键观点总结

关键观点1: UniDAOD面临的全局特征和实例特征对齐问题

文章指出传统的UniDAOD方法在处理全局特征和实例特征对齐时存在不足，无法有效处理私有类别的域对齐问题。

关键观点2: 概率阈值在复杂检测任务中的有效性问题

文章探讨了现有的UniDAOD方法中的概率阈值在复杂的检测任务中可能存在的有效性问题。

关键观点3: 双概率建模方法的提出

为了解决上述问题，文章提出了双概率建模方法，通过全局特征和实例特征的正态分布建模，实现样本的采样与加权，更好地进行对齐。

关键观点4: DPA框架的设计

文章介绍了DPA框架的设计思路，包括全局级别域私有对齐、实例级别域共享对齐和私有类别约束，以解决正迁移和负迁移问题。

关键观点5: 实验结果的证明

文章通过大量实验证明了DPA框架在开放集、部分集和封闭集场景中的优越性，相较于现有方法，DPA框架能够有效提升目标检测的性能。

文章预览

关注公众号，发现CV技术之美 论文名称: Universal Domain Adaptive Object Detection via Dual Probabilistic Alignment 图1. UniDAOD 任务示例 (通用跨域目标检测) 目标检测作为计算机视觉领域的核心任务，在闭集场景中已经取得了显著的进展。然而，现有的方法通常假设类别集合是固定的，并依赖于大量的标注数据，这导致它们在处理跨域数据时，特别是在源域与目标域之间存在域偏移的情况下，泛化性能受限。例如，针对晴天数据训练的目标检测模型往往难以有效适应雾天或其他场景条件下的场景变化。 为了应对这一挑战，域自适应目标检测（Domain Adaptive Object Detection, DAOD）方法被提出。DAOD的主要目标是通过将源域的有标签数据迁移到目标域的无标签数据上，从而缓解源域与目标域之间分布不一致所带来的性能下降问题。 在源域和目标域类别集合相同的前提下，DAOD ………………………………