m0_63294504的博客

本文重点研究了在源域不可用的情况下，域自适应目标检测所面临的挑战。本文探讨了自训练均值教师框架恶化的原因，并提出了相应的改进措施。具体来说，我们引入了动态再训练更新机制来促进学生和教师模型的共同进化。在各种SFOD基准测试中，我们的方法显著提高了自训练范式的稳定性和适应性，实现了甚至可与先进的UDA方法相媲美的最先进性能。

在这项研究中，我们研究和评估了简单而有效的无源域自适应目标检测方法。在展示了批量归一化的重要性和AdaBN的有效性之后，我们提出了一种无源无偏教师（SF-UT），在Foggy-Cityscapes上取得了最先进的性能，在其他基准测试上取得了具有竞争力的结果。

本文提出了第一种解决目标检测的完全测试时间自适应问题的方法。与目前的领域自适应目标检测器相比，它既不假设目标分布是固定的且已知的，也不需要访问目标数据集，而这在许多应用中是需要的。在三个数据集上的实验结果表明，该方法可以有效地使训练好的检测器适应测试时的各种域移位，并带来可观的性能提升。

为了缓解跨域目标检测问题，本文分析了主流算法模型的特点，在YOLOV5的基础上提出了一种简单高效的YOLO-G模型。通过引入特征对齐分支和对抗训练，提高了主干模型在提取目标特征方面的一致性，增强了模型的泛化性，实现了更好的跨域检测能力。我们还组织了9组跨域对比实验，本文提出的YOLO-G模型达到了超越一系列SOTA模型的精度，表明其在跨域目标检测任务中具有更好的应用前景。

域转移是目标检测器在实际应用中推广的主要挑战。两级检测器的域自适应新兴技术有助于解决这个问题。然而，两级检测器由于其耗时较长，并不是工业应用的首选。本文提出了一种有效的单阶段跨域自适应DA-YOLO算法。与以往的方法相比，我们在单阶段检测器上建立了域自适应模型。此外，我们还成功地为单阶段检测器引入了实例级自适应。在多个跨域数据集上的充分实验表明，我们的方法优于先前基于Faster R-CNN的方法，并且提出的三个域自适应模块都是有效的。

本文提出了首次使用YOLO系列单发探测器的SFDA方法。本文方法采用了一个带有学习的、目标领域特定的增强和一种新的通信机制的师生框架来稳定训练，减少了对模型选择中带注释的目标数据的依赖，这对现实世界的应用至关重要。SF-YOLO 优于所有基于Faster R-CNN的SFDA方法，甚至一些使用源数据的基于UDA yolo的方法。

领域自适应目标检测（DAOD）是一种很有前途的方法，可以缓解检测器在新场景下的性能下降。尽管在单源域适应方面做出了巨大努力，但由于组合过程中的知识退化，具有多个源域的更通用的任务仍未得到很好的探索。为了解决这个问题，作者提出了一种新的无监督多源DAOD方法，即目标相关知识保存（target relevant knowledge preservation，TRKP）。具体而言，TRKP采用师生框架，构建多头教师网络，从已标记的源域数据中提取知识，引导学生网络学习未标记的目标域的检测器。

跨域目标检测是一项现实且具有挑战性的任务。由于数据分布的大幅偏移和目标域数据缺乏详细的标注信息，跨域目标检测性能往往不尽人意。为了解决这个问题，作者提出了一种新颖的目标感知双分支蒸馏（TDD）框架。通过将源域和目标域的检测分支集成在统一的师生学习方案中，可以有效地减少域漂移，并产生可靠的监督。作者对跨域目标检测中的许多广泛使用的场景进行了广泛的实验，结果表明，作者的 TDD 在所有基准测试中都显著优于最先进的方法。

在本文中，作者提出了一个简单而有效的框架，称为概率教师(PT,Probabilistic Teacher)，旨在从逐渐发展的教师中捕捉未标记目标数据的不确定性，并以互惠互利的方式指导学生的学习。该方法在多个基于源的/无源的 UDA-OD 基准测试中取得了最先进的结果，并大幅超越了以前的方法。

近年来，基于CNN卷积神经网络的合成孔径雷达(SAR)舰船检测方法在遥感领域受到了广泛关注。然而，这些方法需要大量经过标注的SAR图像来训练网络，并且SAR图像的标注比光学图像的标注更昂贵和耗时。为了解决SAR图像缺乏标注信息的问题，本文提出了一种基于渐进式转移的无监督域自适应船舶检测方法，该方法可以从像素级、特征级和预测级逐步实现光学域和SAR域之间的知识转移。