基于无监督图像到图像翻译的跨域车辆检测：从白天到夜晚

深度学习技术催生了解决目标检测任务的最先进模型。然而，这些技术为数据驱动，将精度寄托于必须与目标任务中图像相似的训练数据集。数据集的获取涉及图像标注，这是一个艰巨且昂贵的过程，通常需要时间与人工。因此，当应用的目标域无可用标注数据集时，会出现极具挑战性的场景，使得此类任务不得不依赖不同域的训练数据集。目标检测作为自动驾驶车辆的一项关键任务正面临此问题，其中大量驾驶场景产生多个需标注数据用于训练过程的应用域。本工作提出一种利用源域（白天图像）标注数据训练车辆检测系统、且无需目标域（夜晚图像）图像标注的方法。为此，探索了一种基于生成对抗网络（GANs）的模型，以生成带相应标注的人工数据集。该人工数据集（伪数据集）通过将白天域图像翻译至夜晚域创建。仅包含目标域（夜晚图像）标注图像的伪数据集随后用于训练车辆检测器模型。实验结果表明，所提方法取得了显著且一致的改进，与仅用可用标注数据（即白天图像）训练相比，检测性能提升超过 10%。