论文地址：
https://arxiv.org/abs/2410.05058

论文代码：
https://local-global-detection.github.io/

创新点

提出了一种新颖的图像到图像转换方法，用于跨域物体检测。

该方法为一个具有引导先验的对比学习框架，通过空间注意力掩码优化物体实例的外观，隐式地将场景划分为与目标物体实例相关的前景区域和非物体的背景区域。

在转换过程中，该方法并不依赖物体标注来明确体实例，而是通过对比局部与全局信息来学习表示物体。

在三个具有挑战性的基准上进行了多个跨域物体检测设置的实验，得到了最先进的性能。

内容概述

检测模型通常依赖于大规模的标注数据来学习具有代表性的特征，但往往难以很好地泛化到存在视觉差异的新目标领域（如阴雾天气与晴朗天气场景）。图像到图像（

I2I

）转换旨在缓解输入级别的这种领域差距，从而减少视觉领域中的分布转移。

高成本的配对图像（领域间）数据收集促进了业界对无配对图像到图像转换的研究，但往往会导致严重的内容畸变和形状变形，这种失败可能会对下游物体检测任务的性能产生不利影响。指明物体实例可以为改善图像转换提供了直观的方向，但这依赖于物体标注，以便在目标领域中区分物体和背景的空间图像区域，从根本上限制了它们的适用性。

对比学习通过最大化对应输入和输出区域之间的互信息，已成为解决图像到图像转换的一种有前景的策略。但现有方法将图像转换视为一个全局任务，处理具有复杂局部结构的物体的图像时效果不佳。由于物体与背景之间的视觉差异通常很大，论文认为隐式地建模背景和前景物体区域可以提升局部显著区域的转换质量，从而显著改善下游物体检测。此外，前景和背景的分离可以通过局部-全局对比学习来实现。

…(以下省略)…

如果本文对你有帮助，麻烦点个赞或在看呗～

更多内容请关注 微信公众号【晓飞的算法工程笔记】