恶劣场景下的教学：面向恶劣场景无人机图像目标检测的统计反馈驱动阈值与掩码调整师生框架
计算机视觉与模式识别
2025-06-16 v1
摘要
无监督域适应（UDA）已展现出有效缓解源域与目标域之间域差距导致的性能退化，并有望推广至恶劣场景下的无人机目标检测。然而，现有的UDA研究基于自然图像或清晰无人机影像，针对恶劣条件下无人机影像的研究仍处于起步阶段。此外，由于无人机独特的视角及恶劣条件的干扰，这些方法往往无法准确对齐特征，并受限于有限或含噪的伪标签。为此，我们提出了首个恶劣场景下无人机目标检测的基准——统计反馈驱动阈值与掩码调整师生框架（SF-TMAT）。具体而言，SF-TMAT引入了动态步长反馈掩码调整自编码器（DSFMA）设计，通过结合训练进度和损失反馈，动态调整掩码比例并重构特征图。该方法在不同训练阶段动态调整学习重点，以满足模型对不同粒度级别特征学习的需求。此外，我们提出了一种独特的方差反馈平滑阈值（VFST）策略，通过统计计算每个类别的平均置信度，并结合方差惩罚项动态调整选择阈值。该策略提高了伪标签的质量并挖掘了潜在的有效标签，从而缓解了域偏移。大量实验证明了所提出的SF-TMAT在恶劣场景条件下无人机目标检测中的优越性与泛化能力。代码已发布于 https://github.com/ChenHuyoo 。
引用
@article{arxiv.2506.11175,
title = {Teaching in adverse scenes: a statistically feedback-driven threshold and mask adjustment teacher-student framework for object detection in UAV images under adverse scenes},
author = {Hongyu Chen and Jiping Liu and Yong Wang and Jun Zhu and Dejun Feng and Yakun Xie},
journal= {arXiv preprint arXiv:2506.11175},
year = {2025}
}
备注
The manuscript has been accepted by ISPRS Journal of Photogrammetry and Remote Sensing