傅里叶增强的无偏跨域目标检测研究

无偏跨域目标检测的主要目的是借助知识蒸馏最大限度地利用源域的知识,通过领域自适应减小模型的跨域差距。然而,通常用于无偏跨域目标检测的平均教师方法所产生的伪标签并不可靠,从而导致师生模型间仍然存在较大的领域偏差问题。受傅里叶变换中相位信息不变性特点的启发,在平均教师的基础上提出傅里叶增强无偏协同教师模型(FAUMT)。利用傅里叶相位信息的不变性,设计振幅混合的数据增强(AMDA)模块,其可以有效地混合源域和目标域间的相位信息从而实现数据增强。而数据增强会产生额外的噪声,设计两个一致性损失来保证数据增强前后预测的一致性。此外,为平衡模型训练过程中源域和目标域间的跨域偏差,还设计了多层对抗学习(MAL)模块,旨在对不同层次的像素级别特征进行域对齐。在三个基准数据集Cilpart1K、Watercolor2K、Comic2K上,该方法的mAP分别达到了47.5%、58.9%、46.1%,超过了其他算法。

基于深度域适应的跨域目标检测算法综述

近年来,基于深度学习的目标检测算法在自动驾驶、人机交互等众多域上有着成功的应用,且因其检测性能较高引起学者的广泛关注。传统的深度学习方法一般基于源域与目标域服从同一分布的假设,但该假设不具备现实性,严重地降低了模型的泛化性能。如何对齐源域与目标域的分布,提高目标检测模型的泛化性成为近两年的研究热点。对跨域目标检测算法进行了综述,介绍了跨域目标检测的预备知识:深度域适应和目标检测,将跨域目标检测分解为两个子问题进行了概述,从底层逻辑理解其发展进程;给出了跨域目标检测算法的最新进展,从差异、对抗、重构、混合和其他等几个分类角度切入,梳理了每个类别的研究脉络并对比了在不同数据集上的性能;通过对目前跨域目标检测算法的梳理和总结,就其未来的研究方向进行展望。

基于单阶段算法的智能汽车跨域检测研究

在自动驾驶汽车中,深度学习算法可以对单目视觉摄像头采集到的图像进行准确地检测和识别,对于保证驾驶安全性具有重要意义。在保证实时检测的前提下,为了提高深度学习模型的检测精度和鲁棒性,以应对多种复杂的道路场景,对单阶段检测算法YOLOv3进行改进并将其应用在跨域目标检测中。首先,在数据预处理阶段,根据各类目标物形状和尺寸的差异,重新定义了计算候选框尺寸的K-means聚类算法公式;在主干网络结构上,基于特征金字塔网络,对提取到的深层像素特征和浅层空间特征进一步融合,以提取更加丰富的目标物信息;此外,主干网络同时使用了通道注意力模块和空间注意力模块,以关注不同维度的特征并对特征进行细化,使提取到的目标物信息更加完整。为了将模型更好地应用到跨域目标检测任务中,利用无监督CycleGAN算法对多种不同场景中采集到的图像进行风格转换,并将其与改进后的YOLOv3算法相结合完成对这些场景中的目标检测。试验结果表明:和YOLOv3相比,所建立的模型对于BDD100K数据集中5类目标物的平均检测精度提高了5.84%,最大检测召回率提高了4.92%;其次,利用CycleGAN算法对雨天、雾天等5种不同场景中的图像进行转换,得到5组合成图,并用所建立的模型训练这些合成图以得到多个适用于不同场景的子模型;最后,和YOLOv3相比,模型的跨域检测精度提高了5%~10%,能够更好地完成跨域检测任务。