【CVPR2020 旷视研究院】探索类别正则化的领域自适应对象检测

本文研究的是物体检测的域自适应（Domain Adaptive）问题，其主要挑战来自源域和目标域之间的巨大差异。先前工作主要是明确对齐了图像层面和实例层面的迁移，以最终最小化域差异，但是依然忽略了跨域匹配关键的图像区域和重要的实例，以至于严重影响了域迁移的缓解。本文提出一个简单且有效的类正则化框架以缓解这一问题，它可以作为一个即插即用的组件应用于一系列域自适应Faster R-CNN方法上，这些方法对处理域自适应检测非常重要。

具体而言，通过整合检测backbone上的一个图像层面的多标签分类器，本文可以通过分类方式的弱定位能力，获得对应于类信息的稀疏且关键的图像区域。同时，在实例层面，本文把图像预测和实例预测之间的类一致性作为一个正则化因子，以自动搜索目标域的硬对齐实例。大量不同域迁移方案的实验表明，相较原始的域自适应Faster R-CNN检测器，本文方法取得显著的性能提升。此外，定性的可视化和分析表明，本文方法可应用于针对域适应的关键区域/实例。