域自适应目标检测,多目标检测

域自适应目标检测,多目标检测

我们主要强调通过三种不同趋势策略进行目标检测，即，1）基于领域自适应深度学习的方法（基于差异、基于对抗、基于重构、混合）。 我们研究了一般目标检测和小目标检测相关的挑战，通过历史和比较，针对现有域适应方案的三个问题。本文研究了基于域适应的单阶段目标检测算法。具体研究内容如下：1）提出图像级多级域适应方法。 首先，为了提高检测速度，该方法

针对目标检测任务，Chenetal.,2018）提出了最早的特征对齐方法DAFasterRCNN。下面简单介绍一下DAFasterRCNN的基本原理。 将对象检测任务中的输入图像定义为域自适应对象检测(DAOD)，通过将从标记源域学到的知识转移到新的未标记目标域，减轻了对大规模注释数据的依赖。 最新的DAOD方法通常在对抗训练中寻求局部特征对齐并结合特定的目标检测模型来实现细粒度

一步域适应分为：基于散度的域适应（通过最小化源和目标数据分布之间的散度准则来实现，从而实现域不变的特征表示）基于对抗性的域适应（使用生成模型（生成对抗措施1）。该技术涉及目标检测技术领域，尤其涉及一种无监督的域自适应目标检测方法和装置。背景技术：2.域适配主要用于解决将源域训练的模型应用于分布明显的应用的问题，使用不同目标域时性能明显下降。

领域适配已经是非常热门的方向，更不用说目标检测了，两者结合的工作已经开始出现。这里我总结一下CVPR18和CVPR19的相关论文，希望能够了解这个交叉点的现状。 1.2018_CVPRDomain对当前领域自适应目标识别问题的学习方法进行了系统总结。首先提出了目标识别的两个基本主题：基于领域自适应的目标分类和目标检测；然后围绕这两个主题，从特征和样本出发

ˋ０ˊ 首先提出了目标识别的两个基本主题：基于领域适应的目标分类和目标检测；然后围绕这两个主题从特征和样本的角度进行了详细的综述。 对于域自适应目标分类，考虑了几种方法。与现有综述文章[5,139,215]相比，本文广泛涵盖了该领域的最新进展，例如基于深度图像的3D目标检测、自/半/弱Supervise3D对象检测、端到端自动驾驶系统中的3D对象检测等。 之前