面向热成像目标检测的无监督图像生成增强自适应方法

热图像中的目标检测是一项重要的计算机视觉任务，并具有诸多应用，如无人驾驶车辆、机器人、监控和夜视。基于深度学习的检测器已取得重大进展，其通常需要大量带标注的训练数据。然而，用于热图像目标检测的标注数据稀缺且采集昂贵。如何利用大量带标注的可见光图像并将其适配到热图像域，是亟待解决的问题。本文提出一种面向热图像目标检测的无监督图像生成增强自适应方法。为缩小可见光域与热图像域之间的差距，所提方法致力于生成与目标图像相似的模拟伪热图像，并保留可见光源域的标注信息。图像生成包括基于 CycleGAN 的图像到图像翻译和强度反转变换。生成的伪热图像被用作更新的源域。然后利用现成的域自适应 Faster RCNN 来缩小生成的中间域与热目标域之间的差距。实验证明了所提方法的有效性和优越性。