特征校正迁移学习：非理想视觉条件下目标检测的端到端解决方案

目标检测领域的一个重大挑战是在非理想成像条件下的系统性能，例如雨、雾、低光照或缺乏 ISP 处理的原始 Bayer 图像。我们的研究引入了“特征校正迁移学习”，这是一种新颖的方法，利用迁移学习和定制的损失函数，使得在这些具有挑战性的场景中能够进行端到端的目标检测，而无需将非理想图像转换为其 RGB 对应图像。在我们的方法中，首先在高质量 RGB 图像数据集上训练一个全面的模型。随后，通过将非理想图像的特征图与初始理想 RGB 模型的特征图进行比较来处理这些图像。这种比较采用了扩展区域新型结构差异损失（EANSDL），这是一种新颖的损失函数，旨在量化特征图之间的相似性并将其整合到检测损失中。该方法通过直接的特征图校正，增强了模型在不同条件下进行目标检测的能力，体现了特征校正迁移学习的核心思想。在 KITTI 数据集变体上的实验验证表明，平均精度（mAP）显著提高，在非理想条件下检测性能相对提升了 3.8-8.1%，与理想条件下标准 Faster R-CNN 算法达到的 mAP@[0.5:0.95] 相比，性能差距在 1.3% 以内。