Exploiting historical knowledge for source-free object detection via class prototype alignment

Wang, Huajie

doi:10.1016/j.neucom.2026.134714

Exploiting historical knowledge for source-free object detection via class prototype alignment

2026-08-01

0

PRE

AI

DOI：10.1016/j.neucom.2026.134714

原文链接

原文求助

摘要

En 中文

无源域对象检测（SFOD）将预训练检测器迁移到无标签的目标域，无需访问任何源域的训练数据。大多数现有的SFOD方法遵循均值教师框架，其中学生模型和教师模型交替更新。具体而言，该框架首先使用教师模型的过滤预测作为伪标签来优化学生模型，然后用学生模型的参数更新教师模型。然而，交替更新可能导致灾难性训练崩溃，这是由于错误监督信号的无约束正向反馈所致。为解决训练崩溃问题，我们提出了类别原型对齐（CPA）方法，该新颖方法利用类别原型来利用历史知识并减轻错误监督信号的影响。所提出的CPA框架由提案过滤器（PF）和类别原型学习（CPL）组成。PF组件选择定位良好的提案以获取用于原型构建的高质量实例表示，而CPL则利用来自教师模型和学生模型的历史知识积累来迭代更新类别原型。基于获得的类别原型，我们提出了原型对比损失和知识蒸馏损失，以增强模型的训练稳定性。在多样化数据集上的广泛实验表明，我们提出的方法在不同SFOD设置下均实现了最先进或具有竞争力的性能。

Keyword:

Source-free domain adaptation

Transfer learning

Unsupervised learning

Object detection

Exploiting historical knowledge for source-free object detection via class prototype alignment

摘要

期刊

机构

引用论文