摘要

目标检测模型在与训练数据分布不同的测试数据上通常表现不佳。近年来，领域自适应目标检测（Domain Adaptive Object Detection, DAOD）方法在应对这一挑战方面取得了显著进展。然而，我们发现当前评估体系中存在系统性缺陷，这些缺陷不仅使以往的研究成果值得重新审视，也严重制约了该领域的进一步发展：（a）由于基线方法能力不足，导致性能评估结果被高估；（b）实现方式不一致，阻碍了不同方法之间的透明、公平比较；（c）评估基准缺乏通用性，主要源于使用过时的主干网络架构，以及基准数据集多样性不足。为解决上述问题，我们提出了以下四项核心贡献：（1）构建了一个统一的基准测试与实现框架——对齐与蒸馏（Align and Distill, ALDI），支持DAOD方法的标准化比较，并为未来研究提供可扩展的开发基础；（2）设计了一套公平且现代化的训练与评估协议，有效规避现有基准测试中的各类陷阱；（3）推出一个新的DAOD基准数据集——CFC-DAOD，支持在多样化的真实世界场景下进行模型评估；（4）提出一种新方法ALDI++，在多个任务上实现了显著超越现有技术水平的性能提升。具体而言，ALDI++在Cityscapes到Foggy Cityscapes的跨域检测任务中，相比先前最先进方法提升了+3.5 AP50；在Sim10k到Cityscapes的迁移任务中，提升达+5.7 AP50（我们的方法是唯一在公平基线之上取得提升的方法）；在CFC Kenai到Channel的水域鱼类计数任务中，也实现了+0.6 AP50的提升。ALDI与ALDI++具有架构无关性（architecture-agnostic），无需额外超参数调优，即可在基于YOLO和DETR的DAOD框架中达到新的最先进水平。本研究提出的框架、数据集及先进方法，为DAOD领域提供了一次关键性的“重置”（reset），奠定了未来研究的坚实基础。相关代码与数据已公开：https://github.com/justinkay/aldi 和 https://github.com/visipedia/caltech-fish-counting。