论文：链接
代码：https://github.com/harsh-99/SCL
（有开源代码，好好读一读。。。）

Xu, Minghao, et al. “Cross-domain Detection via Graph-induced Prototype Alignment.“ Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020.

关键词： “Graph-induced Prototype Alignment (GPA)” ， “Class-reweighted Contrastive Loss”

提出了一个Graph-induced Prototype Alignment (GPA) framework在category level上面进行特征对齐，通过评估prototype representations.
其次一个Class-reweighted Contrastive Loss**被提出去解决 domain adaptation中的class-imbalance问题。

Introduction

背景：之前的工作利用proposal region去对齐source和target domain。然而因为target domain没有监督信息，所以在最初的特征对齐过程中，经常会脱离instance，造成一定程度的误导。
另外因为一个instance有很多方面，由于角度，scle等因素的影响，提取到的特征必然不足以代表整个instance。如下图所示，因而直接对齐是不合适的。
并且在domain adaption过程中还存在class imbalance的情况。

解决办法：因此论文中提出了两种机制：graph-based region aggregation 和confidence-guided merging，去更好的进行local alignmen.
1、 Graph-based Region Aggregation: 考虑了proposal的location和size，构建一个relation graph。
2、Confidence-guided merging: 通过confidence的指引融合，将一个instance的多模态信息被嵌入到prototype representation中，更好的表征每一类的信息。
3、Class-reweighted Contrastive Loss: 提出一个loss解决class-imbalance during feature alignment。

Methodology