域适应目标检测算法总结

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，让模型在两个领域图像上提取相同的特征，使模型可以适应视觉上不同于训练数据领域的新领域数据，例如：利用晴天数据训练的检测模型也可以很好地应用到雾天下的目标检测场景。

  简单来说，域适应目标检测任务可以概括为：利用领域A的图片和标签、领域B的图片训练模型，测试模型在领域B上的目标检测性能，