BMVC'24 | 无需配对数据的对比学习图像到图像转换，助力跨域物体检测

文章预览

来源： 晓飞的算法工程笔记 公众号，转载请注明出处 论文: Improving Object Detection via Local-global Contrastive Learning 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 ………………………………