D3T: Distinctive Dual-Domain Teacher Zigzagging Across RGB-Thermal Gap for Domain-Adaptive Object Detection

目标检测的域自适应通常涉及将知识从一个可见域转移到另一个可见域。然而，由于可见域和热域之间的领域差距比预期的要大得多，传统的域自适应无法成功地促进学习，因此对于从可见域到热域的自适应研究有限。为了克服这一挑战，我们提出了一种具有独特双域教师（D3T）框架的方法，该框架为每个域采用不同的训练范式。具体而言，我们将源和目标训练集分开建立双教师，并连续部署指数移动平均到每个域的单个教师的学生模型。该框架进一步在双教师之间采用锯齿学习方法，促进训练期间从可见域到热域的逐渐过渡。我们通过FLIR和KAIST等知名热数据集的新设计实验协议验证了我们的方法的优越性。源代码可在https://github.com/EdwardDo69/D3T中获得。

本论文旨在解决可见光域和热红外域之间的领域间适应问题，提出一种新的框架D3T。

D3T框架采用不同的训练范式来建立双重教师，通过逐步转换可见光到热红外域的训练来解决领域间适应问题。

论文在FLIR和KAIST数据集上验证了D3T框架的优越性，并提供了开源代码。值得深入研究的是如何进一步提高可见光和热红外域之间的领域间适应性。

最近的相关研究包括：Unsupervised Domain Adaptation for Object Detection in Thermal Images，Cross-Domain Object Detection through Coarse-to-Fine Feature Adaptation