摘要

目标检测网络已达到令人瞩目的性能水平，但在特定应用场景中，由于缺乏合适的训练数据，其实际应用仍受到限制。通常，研究者会引入额外的数据源以支持训练任务。然而，不同数据源之间存在的域差异（domain gap）给深度学习带来了挑战。基于生成对抗网络（GAN）的图像到图像风格迁移方法常被用于缩小域差异，但这类方法往往不稳定，且与目标检测任务之间缺乏耦合。为此，我们提出AWADA——一种注意力加权的对抗域自适应框架，旨在在风格迁移与检测任务之间建立反馈机制。通过利用目标检测器的候选区域生成前景物体注意力图，我们能够将风格迁移聚焦于前景物体区域，从而有效稳定训练过程。在大量实验与消融研究中，我们证明AWADA在常用基准测试中，于合成数据到真实数据、恶劣天气条件以及跨摄像头等多种场景下的无监督域自适应目标检测任务中，均达到了当前最优的性能水平。