SIGMA: Emparejamiento de Gráficos Semánticamente Completos para Detección de Objetos Adaptativa al Dominio

La Detección de Objetos Adaptativa al Dominio (DAOD) aprovecha un dominio etiquetado para aprender un detector de objetos que generaliza a un nuevo dominio libre de anotaciones. Los avances recientes alinean distribuciones condicionales de clase al restringir prototipos cruzados de dominio (centros de clase). Aunque han tenido un gran éxito, ignoran la significativa varianza dentro de la clase y la semántica desajustada en el lote de entrenamiento, lo que conduce a una adaptación subóptima. Para superar estos desafíos, proponemos un nuevo marco de Emparejamiento de Gráficos Semánticamente Completos (SIGMA) para DAOD, que completa semánticas desajustadas y reformula la adaptación mediante emparejamiento de gráficos. Específicamente, diseñamos un módulo de Compleción Semántica Embebido en Gráficos (GSC) que completa semánticas desajustadas a través de la generación de nodos de gráficos de alucinación en categorías faltantes. Luego, establecemos gráficos cruzados de imágenes para modelar distribuciones condicionales de clase y aprendemos un banco de memoria guiado por gráficos para una mejor completación semántica. Después de representar los datos de origen y destino como gráficos, reformulamos la adaptación como un problema de emparejamiento de gráficos, es decir, encontrar pares de nodos bien emparejados a través de gráficos para reducir la brecha del dominio, que se resuelve con un nuevo adaptador de Emparejamiento de Gráficos Bipartitos (BGM). En resumen, utilizamos nodos de gráficos para establecer afinidad de nodos consciente de la semántica y aprovechamos los bordes de gráficos como restricciones cuadráticas en una pérdida de emparejamiento consciente de la estructura, logrando una adaptación detallada con un emparejamiento de gráficos nodo a nodo. Experimentos extensos verifican que SIGMA supera significativamente los trabajos existentes. Nuestro código está disponible en https://github.com/CityU-AIM-Group/SIGMA.