Domain Adaptive Faster R-CNN for Object Detection in the Wild 阅读笔记及源码实现

    本文是CVPR2018的一篇文章，由于官方代码是caffe写的，但是caffe环境的搭建太过繁琐，因此基于pytorch现有的faster-rcnn框架进行了复现，mAP略高于原始论文（可能测试集的设定不是完全一致造成的），具体实现github链接：da-faster-rcnn-pytorch

欢迎star！

 

1.前言

    本文是我目前已知的最早将非生成式对抗学习方法利用到目标检测中，实现领域自适应的目标检测方法，整个过程非常清晰易懂，也算是将其利用到这个领域的开山之作。

    文章的开头及相关工作主要就是对目标检测以及领域自适应即domain adaptation两个领域的近期发展进行了相关工作介绍，接着将本文工作聚焦于不同天气环境下的目标检测的鲁棒性

 

 

2.具体实现

   本文一开始主要介绍了领域自适应最基本的H-旋度，并进一步提出本文方法的概率理论，虽然感觉没有什么实质的内容，就是将一些基本公式赋予一些更加具体的含义，可能仅仅只是为了为本文提供更多的理论支撑吧。

    首先放上本文的核心框架图

由于考虑到faster-rcnn本身属于相对比较复杂的框架，因此本文提出了基于图像的自适应以及基于个体的自适应，最后利用正则化的方法统一两个模块。