陈超奇：香港大学计算机系博士，主要研究方向为迁移学习和计算机视觉，目前已在CVPR与TPAMI等会议期刊上发表论文8篇。
报告题目：I3 Net: 一种用于适配单阶段目标检测器的隐式实例不变网络
报告摘要：我们提出了一个隐式实例不变网络，该网络专门为适配单阶段检测器而设计，并通过利用不同层中深度特征的自然特性来隐式地学习实例不变特征。具体来说，我们从三个方面促进域适应：（1）动态和类平衡重加权策略，该策略考虑了域内和类内变化的共存，以便将较大的权重分配给那些样本稀少的类别和容易适配的样本；（2）类别感知目标模式匹配模块，在类别信息的引导下，增强跨域前景目标的匹配，并抑制含有信息量较少的背景；（3）正则联合类别对齐模块，该模块通过一致性正则化在多个特定于域的层上同时实现类别对齐。实验结果表明，所提出的网络超出了基准数据集的最优性能。
论文标题：I3 Net: Implicit Instance-Invariant Network for Adapting One-Stage Object Detectors
会议亮点：
本文提出隐式实例不变网络无需用到明确的实例级特征。相反地，我们通过对齐可迁移的区域和图像以及保持跨域类别关系来隐式地学习实例级不变特征；
具体来说，我们基于对深度单阶段检测器不同层次的特征特点的观察，从底层像素级特征，中间层图像及特征，和高层语义特征三方面来引导单阶段检测器的域适应；
所提出的网络在无监督跨域目标检测的三个基准数据集上取得了最优的性能。同时，我们的方法也具有较强的延展性和普适性。
1. Domain Adaptive Faster R-CNN for Object Detection in the Wild
推荐理由：这篇论文为第一篇基于深度学习的无监督跨域目标检测论文，该文章对Faster R-CNN的图像级和实例级特征同时作对抗域自适应。
2. Strong-Weak Distribution Alignment for Adaptive Object Detection
推荐理由：这篇论文针对[01]存在过度适配图像特征的问题，提出了一种弱图像级特征对齐范式，同时在底层特征上做强对齐，整体称作强-弱特征对齐。
3. Adapting Object Detectors via Selective Cross-Domain Alignment
推荐理由：这篇论文主要动机是无监督跨域目标检测是一种局部特征对齐，而非传统的全局特征对齐。基于此，他们利用Faster R-CNN的proposals来对源域和目标域实例级特征作选择性对齐。
4. Multi-adversarial Faster-RCNN for Unrestricted Object Detection
推荐理由：这篇文章提出了一种多层对抗网络用于适配双阶段检测器，所提出的网络主要包含两部分，分层域特征对齐和聚合的proposal特征对齐。
5. Self-Training and Adversarial Background Regularization for Unsupervised Domain Adaptive One-Stage Object Detection
推荐理由：这篇是现有的唯一一篇针对单阶段检测器域适应问题的文章，该文章针对SSD的难样本挖掘阶段提出了一种弱自训练范式来同时减少假阳和假阴样本。
6. Harmonizing Transferability and Discriminability for Adapting Object Detectors
推荐理由：这篇文章的动机是目前主流方法利用对抗域适应来适配深度目标检测器会导致其特征的可迁移性和判别性存在矛盾，即无法同时保证二者。基于此，本文提出了一种分层可迁移性校准网络来逐步地调和这种潜在的矛盾，从而较好地保证了特征的判别性。
