DODA：利用扩散模型实时将目标检测器适配至动态农业环境

目标检测在农业中有着广泛的应用，但多样化环境的领域偏移限制了训练模型的更广泛应用。现有的领域自适应方法通常需要针对新领域重新训练模型，这对于不断变化的农业环境而言是不切实际的。在本文中，我们提出了 DODA（$D$iffusion for $O$bject-detection $D$omain Adaptation in $A$griculture），这是一个基于扩散的框架，仅需 2 分钟即可将检测器适配至新领域。DODA 结合了外部领域嵌入和改进的布局到图像方法，使其能够无需额外训练即可为新领域生成高质量的检测数据。我们在 Global Wheat Head Detection 数据集上展示了 DODA 的有效性，在 DODA 生成的数据上微调检测器在多个领域均取得了显著提升。DODA 为农业领域自适应提供了一个简单而强大的解决方案，降低了种植者在个性化环境中使用目标检测的门槛。代码可在 https://github.com/UTokyo-FieldPhenomics-Lab/DODA 获取。