上海交通大学 | DA-YOLO：用于单阶段跨域检测的域自适应YOLO

论文标题：Domain Adaptive YOLO for One-Stage Cross-Domain Detection

论文链接：https://arxiv.org/abs/2106.13939

作者单位：上海交通大学 & 百度

本文提出了一种新颖的域自适应 YOLO（DA-YOLO）来提高单阶段检测器的跨域性能。设计了图像级特征对齐用于严格匹配纹理等局部特征，松散匹配光照等全局特征，还设计了多尺度实例级特征对齐，以有效减少实例域偏移，例如对象外观和视点的变化.

Domain shift 是目标检测器将其很好地泛化到现实世界应用的主要挑战。两阶段检测器域自适应的新兴技术有助于解决这个问题。然而，由于其耗时长，两阶段检测器并不是工业应用的首选。在本文中，提出了一种新颖的域自适应 YOLO（DA-YOLO）来提高单阶段检测器的跨域性能。图像级特征对齐用于严格匹配纹理等局部特征，松散匹配光照等全局特征。提出了多尺度实例级特征对齐，以有效减少实例域偏移，例如对象外观和视点的变化。这些域分类器的一致性正则化被用来帮助网络生成域不变检测。我们在 Cityscapes、KITTI、SIM10K 等流行数据集上评估我们提出的方法。在不同的跨域场景下测试时，结果显示出显著的改进。

内容中包含的图片若涉及版权问题，请及时与我们联系删除