逐渐恶化天气下航空影像的连续域适应
计算机视觉与模式识别
2023-08-16 v2 机器学习
摘要
域适应（DA）致力于缓解模型训练所在的源域与模型部署所在的目标域之间的域差距。当深度学习模型部署在航空平台上时，其在运行过程中可能面临逐渐恶化的天气条件，导致训练数据与遇到的评估数据之间的域差距不断拉大。我们在两个现有航空影像数据集的真实图像上合成了两种此类逐渐恶化的天气条件，生成了共四个基准数据集。在连续或测试时适应设定下，我们在数据集上评估了三种 DA 模型：一个基线标准 DA 模型和两个连续 DA 模型。在此设定中，模型每次只能访问一小部分或一批目标数据，且适应是连续进行的，并且仅在该数据的一个轮次内完成。连续适应的约束与逐渐恶化的天气条件相结合，提供了航空部署的实际 DA 场景。在评估的模型中，我们同时考虑了卷积和 transformer 架构以进行比较。我们发现现有的缓冲馈送连续 DA 方法在适应过程中存在稳定性问题，并提出了梯度归一化作为抑制训练不稳定性的简单解决方案。
引用
@article{arxiv.2308.00924,
title = {Continual Domain Adaptation on Aerial Images under Gradually Degrading Weather},
author = {Chowdhury Sadman Jahan and Andreas Savakis},
journal= {arXiv preprint arXiv:2308.00924},
year = {2023}
}