Source-Free Object Detection With Detection Transformer

doi:10.1109/TIP.2025.3607621

Source-Free Object Detection With Detection Transformer

2025-01-01

0

PRE

AI

Chenggang Yan (Chenggang Yan)

陶

陶建华 (Jianhua Tao)

丁贵广 (Guiguang Ding)

DOI：10.1109/TIP.2025.3607621

原文链接

原文求助

摘要

En 中文

源域自由目标检测（SFOD）实现了从源域到无监督目标域的目标检测知识迁移，无需访问源数据。大多数现有的SFOD方法要么局限于Faster R-CNN等传统目标检测（OD）模型，要么被设计为通用解决方案，而未针对新型OD架构进行定制化适配，尤其是目标检测转换器（DETR）。在本文中，我们提出特征重加权与对比学习网络（FRANCK），一种新型SFOD框架，专门用于为DETR执行查询为中心的特征增强。FRANCK包含四个关键组件：1）基于目标得分样本重加权（OSSR）模块，该模块在多尺度编码器特征图上计算基于注意力的目标得分，并通过重加权检测损失来强调欠识别区域；2）基于匹配记忆库的对比学习（CMMB）模块，将多级特征整合到记忆库中，增强类级对比学习；3）不确定性加权的查询融合特征蒸馏（UQFD）模块，通过预测质量重加权与查询特征融合来改进特征蒸馏；以及4）具有动态教师更新间隔（DTUI）的改进自训练流程，用于优化伪标签质量。通过利用这些组件，FRANCK能够有效将源预训练的DETR模型适配到目标域，并提升其鲁棒性和泛化能力。在多个广泛使用的基准测试中的大量实验表明，我们的方法达到了当前最优性能，凸显了其有效性与与DETR-based SFOD模型的兼容性。

Keyword:

Transfer learning

object detection

source-free domain adaptation

contrastive learning

Source-Free Object Detection With Detection Transformer

摘要

期刊

机构

引用论文