由于深度卷积网络的空前发展和大规模注释数据集的存在，目标检测取得了显着进展。但在存在域偏移的情况下，将目标检测器应用于一个新的域时，其性能会明显下降。为了解决这个问题，近来在双阶段跨域检测方面的工作已经广泛地探索了局部特征模式以实现更准确的域适应结果。这些方法严重依赖于区域提议机制和基于ROI的实例级特征来针对前景目标设计细粒度的特征对齐模块。但是，对于单阶段检测器来说，很难甚至不可能在检测流程中获得显式的实例级特征。本期我们邀请到来自香港大学的陈超奇，分享他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，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。