论文解读：Multi-level Domain Adaptive learning for Cross-Domain Detection

论文题目：Multi-level Domain Adaptive learning for Cross-Domain Detection（Task-CV workshop ICCV2019）

论文主要贡献：已有的目标检测自适应方法主要基于全局的特征自适应，没有考虑局部特征自适应(其实是不对的，现有的检测自适应方法有基于全局的，也有局部和实例的特征自适应，分割和分类主要是全局自适应)，因此本论文提出多multi-level多层次的自适应方法，同时考虑对齐全局和局部特征；

论文网络结构：

论文其实主要是结合strong-weak和DA in the wild的两篇论文，instance DA和instance DA和global DA之间的consistency是DA in the wild论文中提出的，而DA in the wild中的global DA这里替换成了Strong-weak论文中的全局对齐的方式，主要是采用Focal loss，因为strong-weak论文中说全局特征不需要强对齐，源域和目标域差别很大时，判别器容易区分，相当于简单样本，而源域和目标域的差别很小时，判别器难以区分，相当于难样本，因此采用focal loss，平衡难易样本的loss，local DA和strong-weak中也是一样的，采用patch loss，即特征经过判别器输出的是patch图，每一个patch相当于输入特征的一个区域(也就是patchGan的判别思想，global DA输出是一维数字)，而本文主要是多加了几个相同的local DA，构成multi-level的判别，local-DA需要强判别，因为local DA主要是图像的low-level特征，当梯度反传时，越low-level的特征梯度反传收到的影响越小，因此需要在low-level的特征处加上多个强判别器，约束low-level的特征同时，也变相减轻了global DA的对齐难度，每一个DA模块也是用的GRL；

具体训练过程：

主要是将imagenet上预训练的VGG-16的backbone的faster-rcnn以本文算法fine-tuning了10个epoch；

图像短边缩放到600pix；

实验结果：

三个实验：Cityscapes and Foggy Cityscapes（Adverse Weather Adaptation）；SIM 10k and  Cityscapes（Synthetic Data Adaptation）；KITTI and  Cityscapes（Cross Camera Adaptation）

结果可视化：

可以看到，本文方法降低了误分类，truck正确识别成bus，也降低了第一行的DA model的一些假阳；第一行降低了漏检；

总体来说，还是有效果的；