关注上方“深度学习技术前沿”，选择“星标公众号”，
资源干货，第一时间送达！
【导读】上交&华为CVPR Oral，基于Graph-induced Prototype Alignment的跨域目标检测方法，同时解决了类别不均衡问题，性能达到sota,在Cityscapes → Foggy Cityscapes任务上,mAP达到39.5。
摘要：将在特定领域上训练的目标检测器的知识直接应用到新领域是有风险的，因为两个领域之间的差异可能会严重降低模型的性能。此外，由于目标检测场景中不同的实例通常包含不同的模态信息，因此很难实现源域和目标域的特征对齐。为了缓解这些问题，我们提出了一种图诱导原型对齐(GPA)框架，通过精细的原型表示来寻求类别级别的领域对齐。简而言之，通过基于图的region proposals之间的信息传播获得更精确的实例级特征，并在此基础上推导出用于类别级领域比对的每类的原型表示。此外，为了缓解类别不平衡对领域适应的负面影响，我们设计了一个类别加权对比损失来调整适应训练过程。结合较快的R-CNN，该框架分两步进行特征对齐。在各种跨域检测任务上的综合结果表明，该方法的性能明显优于现有方法。
论文和开源代码获取方式：
传送门下载，请关注深度学习技术前沿公众号
后台回复“GPA"就可以获取【CVPR Oral】上交&华为:GPA跨域目标检测下载链接
重磅！计算机视觉-目标检测方向交流群已成立！
交流学习论文，可加入目标检测微信交流群，本群旨在交流目标检测、密集人群检测、关键点检测、人体姿态估计等内容。更多目标检测最新论文信息将会第一时间在群里发布！欢迎大家进群一起交流学习！
麻烦大家进群后请备注：目标检测+地点+学校/公司+昵称（如目标检测+上海+上交+小明）
????长按识别，即可进群！
