论文阅读笔记02：Deep Domain Adaptive Object Detection: a Survey

paper链接：https://arxiv.org/ftp/arxiv/papers/2002/2002.06797.pdf

本文是一篇目标检测相关的综述性论文，总结了27篇文献。

---

Introduction

基于深度学习的目标检测方法通常依赖大量带标注的训练样本，并且训练和测试数据有相同的特性。

对于深度区域自适应目标检测，分类因素如下：

• 解决域漂移的机制：基于差异、基于对抗、基于重建、混合和其他。
• One-step与multi-step的方法：当源域和目标域直接相关时，利用知识迁移。相似性小的用多步域适配。
• 目标域的标签数据：监督的、半监督的、弱监督的、小样本和无监督的。
• 基础检测器：Faster RCNN, YOLO, SSD等。
• 是否开源

Discrepancy-based DDAOD 

基于差异的DDAOD方法：通过用标记或未标记的目标数据微调基于深层网络的检测模型来减少域偏移。

方法有：域自适应目标检测的鲁棒学习方法、自动标注框架。

Adversarial-based DDAOD 

基于对抗的DDAOD方法利用域鉴别器并进行对抗训练，以鼓励源域和目标域之间的域混淆。

• Faster R-CNN：第一个处理目标检测自适应问题的方法，使用H散度来衡量源域和目标域分布之间的差别，并对特征进行对抗训练。设计了三个适配组件：图像级适配、实例级适配和一致性检查。
• 小样本适配Faster R-CNN的框架：FAFRCNN。由两个适配模块组成，例如图像级和实例级，加上特征匹配机制和稳定适配的强正则化。
• 无监督域适配目标检测方法，组合了弱全局对齐和强局部对齐，称为强弱域对齐模型。
• 多对抗Faster R-CNN模型，用来解决目标的无限制问题。方法由两个模块组成，例如等级域特征对齐和连接建议域特征对齐。
• 基于堆叠补充特征的梯度分离方法，用来进行无监督域适配目标检测。这个方法多补充损失来进行更好的优化，并且提出梯度分离训练来学习更多的区别表示。
• 合成到真实的域适配方法用来进行目标实例分割。
• 图像级全对齐网络来处理无监督域适配目标检测。有两种对齐模块：图像级对齐对齐多尺度特征。

Reconstruction-based DDAOD

基于重建的深度域适配目标检测器假定源域和目标域样本的重建有助于提升域适配目标检测的性能。

• 使用无监督图像到图像转换的跨域汽车检测方法。
• 人工数据集的产生(假数据集)，通过将图像从白天域转换到晚上域。
• 多模态结构一致的图像转图像模型，实现了域自适应车辆检测。
• 有限标注的热红外图像行人检测方法。学习一对图像转换器，以便与行人检测器一起在两种模态之间转换图像。
• 利用图像到图像的转换框架来生成给定热图像的伪RGB等价物，然后对热图像采用多模态物体检测架构。
• 基于生成对抗网络(GANs)的非监督热图像到可见光图像翻译框架（IR2VI）。

Hybrid DDAOD 

混合DDAOD同时使用两个或多个上述机制来获得更好的性能。

• 两步渐进域自适应技术。该方法在两种人工和自动生成的样本上微调检测器。

• 基于像素和特征级的域自适应目标检测器。该方法由两个模块组成，主要基于CycleGAN的像素级域自适应(PDA)和基于Faster RCNN的特征级域自适应(FDA)。

• 由弱自训练(WST)方法和对抗背景分数正则化(BSR)组成的域自适应一阶段目标检测方法。

• 两步域自适应检测器，该检测器基于通过风格转移的低级自适应和通过鲁棒伪标记的高级自适应。

• 渐进域自适应目标检测器，采用了对抗学习来对齐特征层的分布，并应用加权任务损失来处理中间域的图像质量不平衡。

• 跨域半监督学习(CDSSL)框架，CDSSL框架利用高质量的伪标签直接从目标域学习，并进行细粒度的域转移，以减少风格差距。

• 由粗到细的特征自适应方法，用于跨域两阶段目标检测。

Other DDAOD 

• 图形诱导的原型对齐(GPA)

• 分类正则化

（源码等见论文）