CD-FKD: 객체 탐지에서 강력한 단일 도메인 일반화를 위한 교차 도메인 특징 지식 증류

CD-FKD: Cross-Domain Feature Knowledge Distillation for Robust Single-Domain Generalization in Object Detection

단일 도메인 일반화는 특히 하나의 소스 도메인에서 모델을 훈련하고 아직 보지 못한 대상 도메인에서 평가할 때 객체 탐지에 필수적입니다. 날씨, 조명 또는 장면 조건의 변화와 같은 도메인 변화는 기존 모델의 일반화 능력에 상당한 어려움을 야기합니다. 이러한 문제를 해결하기 위해, 우리는 전역 및 인스턴스 기반 특징 증류를 활용하여 학생 네트워크의 일반화 능력을 향상시키는 교차 도메인 특징 지식 증류(CD-FKD)를 제안합니다. 제안된 방법은 다운샘플링 및 손상을 통해 다양한 데이터를 사용하여 학생 네트워크를 훈련하는 반면, 교사 네트워크는 원래의 소스 도메인 데이터를 받습니다. 학생 네트워크는 전역 및 인스턴스 기반 증류를 통해 교사 네트워크의 특징을 모방하여, 손상으로 인해 탐지하기 어려운 객체에 대해서도 객체 중심 특징을 효과적으로 추출할 수 있도록 합니다. 어려운 장면에서의 광범위한 실험 결과, CD-FKD는 대상 도메인 일반화 및 소스 도메인 성능 모두에서 최첨단 방법보다 우수한 성능을 보여주며, 도메인 변화에 대한 객체 탐지 로버스트성을 향상시키는 효과를 검증합니다. 이러한 접근 방식은 자율 주행 및 감시와 같은 실제 응용 분야에서 가치가 있으며, 다양한 환경에서 강력한 객체 탐지가 중요합니다.

Single-domain generalization is essential for object detection, particularly when training models on a single source domain and evaluating them on unseen target domains. Domain shifts, such as changes in weather, lighting, or scene conditions, pose significant challenges to the generalization ability of existing models. To address this, we propose Cross-Domain Feature Knowledge Distillation (CD-FKD), which enhances the generalization capability of the student network by leveraging both global and instance-wise feature distillation. The proposed method uses diversified data through downscaling and corruption to train the student network, whereas the teacher network receives the original source domain data. The student network mimics the features of the teacher through both global and instance-wise distillation, enabling it to extract object-centric features effectively, even for objects that are difficult to detect owing to corruption. Extensive experiments on challenging scenes demonstrate that CD-FKD outperforms state-of-the-art methods in both target domain generalization and source domain performance, validating its effectiveness in improving object detection robustness to domain shifts. This approach is valuable in real-world applications, like autonomous driving and surveillance, where robust object detection in diverse environments is crucial.