摘要

近年来，无监督域自适应（Unsupervised Domain Adaptation, UDA）技术在跨域计算机视觉任务中取得了显著进展，通过弥合不同域之间的分布差异，有效提升了数据驱动型深度学习模型的泛化能力。针对基于UDA的跨域目标检测方法，多数现有技术通过对抗学习策略诱导生成域不变特征，以缓解域偏差问题。然而，由于对抗训练过程的不稳定性，其域判别器的分类能力受限，导致所提取的特征难以完全实现域不变性，仍包含域私有特征，从而制约了跨域差异的进一步缓解。为解决这一问题，本文提出一种域解耦 Faster-RCNN（Domain Disentanglement Faster-RCNN, DDF）框架，旨在消除特征中与源域相关的信息，以提升检测任务的学习效果。所提DDF方法在全局与局部两个层面实现特征解耦，分别引入全局三元组解耦（Global Triplet Disentanglement, GTD）模块与实例相似性解耦（Instance Similarity Disentanglement, ISD）模块。在四个基准UDA目标检测任务上的实验结果表明，DDF方法显著优于现有最先进方法，验证了其有效性与广泛适用性。