DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY

自已翻译看的

DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY

Wanyi Li, Member, IEEE,Fuyu Li, Yongkang Luo, Peng Wang, Member, IEEEInstitute of Automation, Chinese Academy of Sciences

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

摘要：基于深度学习的目标检测往往都假设存在大量有标签的训练数据，同时假设训练数据和测试数据来自于同一个分布。这两个假设往往在实际情况中难以实现，深度域适应目标检测算法domain adaptiveobject detection (DDAOD) 的出现解决了这个难题。本篇文章旨在详列出在DDAOD方面的最新科研成果。首先，简单说明深度域的概念；然后，DDAOD分为四种类型，详述四种类型的DDAOD常用的方法。

关键字：目标检测，深度域适应，适应目标检测

introduction

基于深度学习的目标检测往往假设训练数据和测试数据来源于同一分布。这种模型严重依赖于大量带有标签的数据，但是实际情况下，带有标签的数据往往是昂贵甚至是无法获得的。DDAOD的出现很好地解决了这个问题。其中源域和目标域的分布是不相似的甚至是完全不同的，

2.深度域目标检测

深度域适应（DDA）是一种基于深度学习框架的为解决域适应问题而设计的方法。这种方法可以通过反向传播获得第一个反馈。DDAOD方法旨在通过标签丰富的源域和标签匮乏的目标域来获得鲁棒目标检测器，这种方法依赖于DDA模型或者依赖于DDA相关准则。得到的目标检测器期望在目标域表现良好。

在这一章节中，首先介绍一些后面将被用于区分DDAOD方法的因素，然后回顾下最新的DDAOD方法。区分DDAOD方法的因素主要有以下几种：

--解决域转移的机制

解决域转移的机制有以下四种: 基于差异的discrepancy-based, 基于对抗的adversarial-based,基于重建的reconstruction-based 和 hybrid.

--单步和多步适应方法

当源域和目标域直接相关时迁移知识可以一步实现。当目标域和源域几乎没有重叠部分时，我们需要一系列的桥梁来连接这两个看似毫不相关的域，然后在这些桥之间执行单步DA,这也叫多步DA(multi-stepDA).

--带标签的目标域

考虑到目标域的带标签数据，我们可以将DDAOD分为监督（supervised），半监督（semi-supervised），弱监督（weakly-supervised），无人监督（few-shot and unsupervised）

In consideration of labeled data of the target domain, wecan categorize DDAODinto supervised, semi-supervised, weakly-supervised, few-shot and unsupervised.

--基础检测器

域适应检测方法往往基于一些已有的优秀的检测器，如 Faster RCNN,YOLO, SSD, etc.

--是否开源

这个因素表示该方法的源代码是否有在线上提供。如果是开源的，那么会有链接提供出来。

根据上面的几种因素，我们将DDAOD方法分为以下几类（见表格1），然后再接下来的子章节中一一详述。

## 插入链接与图片

链接: [link](https://www.csdn.net/).

图片: