排序方式: 共有1条查询结果,搜索用时 31 毫秒
1
1.
现有的跨域自适应目标检测器主要通过特征分布匹配学习域不变特征来减小域偏移。然而,它们忽略了现实世界中因目标检测对象组合不同和类不平衡等引起的标签分布偏移问题,导致这些方法泛化性较差。为解决这一问题,本文提出一种基于特征和标签联合分布匹配的域自适应目标检测算法,以同时在特征和标签级别上显式对齐域分布。首先,提出一个图像级分类嵌入模块,通过对比学习增强全局特征可迁移性和可判别性。然后,提出类级分布对齐模块,通过多级特征对齐实现域间多模态结构对齐。最后,提出增强一致性正则化模块,通过区域一致性正则化实现跨域标签分布对齐。在多个数据集上的实验表明,所提出的域对齐算法能有效地促进跨域数据迁移前后语义一致性,为智能汽车跨视觉域应用提供了一种有效的解决方案。 相似文献
1