本文总结了域适应目标检测算法，旨在解决训练数据与测试数据分布不一致导致的检测性能下降问题。主要思路是对齐源域和目标域的特征分布，减少领域偏移的影响。介绍了对抗学习在域对齐中的应用，以及前景、类别和差异对齐方法。通过调整不同部分的对齐策略，提升模型在目标域的检测性能。文章还探讨了伪标签和辅助网络等优化方法，以及相关参考算法。
注：全文原创，未经允许，禁止转载！
概述
虽然目标检测算法的研究已经取得了相当可观的进展，但是传统目标检测算法的检测性能往往会受到训练数据分布的约束，在测试时，只有测试数据和训练数据分布一致时，检测器的检测性能才能达到最好。但是现实世界中的目标检测容易面临来自视点、外观、背景、光照以及图像质量等方面的巨大差异，可能会导致训练数据和测试数据之间分布不一致，即领域偏移问题，从而影响检测器的检测性能。以自动驾驶为例，如下图所示，训练数据往往是在晴朗的天气下收集的，但在现实应用中不可避免地会遇到雾天、雨天等情况，此类复杂的天气将会严重影响汽车对前方物体的检测，不利于分析当前的路况，最终会影响行驶时的决策。
针对这种训练数据与测试数据分布不一致，即领域偏移的问题，一种常见的解决方法就是领域自适应算法（简称域适应），通过对齐两个领域的特征分布
订阅专栏 解锁全文
扫一扫
725
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
