探索军事目标检测中的合成到真实域适应

目标检测是民用和军事应用中关键的目标任务之一。在军事指挥和勘察过程中，目标检测方法的实际部署对于决策过程至关重要。然而，当前的域自适应目标检测算法仅在自然场景或自动驾驶场景 within the scope of one domain to another similar one。由于军事领域常处理多样化的环境，检测来自多个不同目标域的对象将提出更大的挑战。针对装甲军事目标检测，已有研究利用合成孔径雷达 (SAR) 数据，由于其对所有天气、远距离和高分辨率的鲁棒性。然而，SAR 数据获取和处理成本仍远高于常规 RGB 摄像头，而后者作为更经济实惠的替代方案，数据处理时间显著更短。此外，缺乏军事目标检测数据集限制了此低成本方法的应用。为缓解这些问题，我们提出使用光栅化视觉工具 Unreal Engine 生成基于 RGB 的合成数据，用于跨域军事目标检测。为此，我们通过在我们的 web 收集的真实军事目标数据集上进行验证，训练合成数据集进行合成到真实的迁移实验。我们对标注了不同监督程度的领先域适应方法，并发现当前方法仅使用图像中少量线索（例如目标类别）即可在无监督或半监督 DA 方法上实现显著提升。从这些观察中，我们认识到仍需克服的当前挑战。