频域内面向目标检测的领域自适应
近年来,基于深度学习的目标检测技术在机器人、自动驾驶和交通监控等领域有着广泛的应用.然而,由于训练集和测试集样本分布偏差的原因,将现成的预训练检测器应用到实际开放场景时通常会出现明显性能下降.针对该问题提出了一种频域内的领域自适应方法,利用离散余弦变换的频域能量集中特性,通过在频域内对少数重要频率系数进行处理,实现了面向目标检测的领域自适应,降低了对存储和计算资源的要求并减少了领域差异.该方法可以分为两个阶段:第一阶段使用无监督图像转换方式,将源域已标注的训练数据向目标域作转换;第二阶段采用基于对抗的领域自适应方法训练目标检测模型,对转换后的训练数据与目标域内的数据作特征适配.针对不同天气场景的目标识别实验表明:所提的频域内领域自适应方法在4种领域自适应对比算法中排名第一,与仅用源域数据训练的模型相比,mAP值提升了 33.9%.
领域自适应、目标检测、图像转换、频域
51
TP391(计算技术、计算机技术)
国家自然科学基金;国家自然科学基金
2022-09-02(万方平台首次上网日期,不代表论文的发表时间)
共9页
442-450