2.1、目标检测面临的挑战
目标检测旨在对给定图像中感兴趣的目标进行定位和分类。近年来，自深度卷积神经网络（CNN）出现以来，大量成功的目标检测模型一直被提出。然而，一个被称为“领域转移”的新挑战开始困扰计算机视觉社区。域漂移是指源域和目标域之间的分布不匹配导致性能下降。它是由图像的变化引起的，包括不同的天气条件，相机的视角，图像质量等。以自动驾驶为例，一个可靠的目标检测模型应该在任何情况下都能稳定地工作；然而训练数据通常是在视野清晰的晴天收集的，而实际上汽车可能会遇到恶劣的天气条件，包括雪和雾，导致能见度受到影响，此外相机的位置在测试环境中可能会有所不同，从而导致视点变化。
2.2、领域自适应的发展
理想情况下，在目标域上重新标记是解决域转移问题的最直接的方法。但这种手工注释会带来昂贵的时间和经济成本。出于对无需注释方法的期望，领域适应努力消除领域差异，而无需对目标领域进行监督。领域自适应（DA）首先被广泛应用于分类任务中，使用最大平均差异（MMD）等距离度量单位来衡量域偏移，并监督模型学习领域不变特征。后来，使用领域分类器和梯度反转层（GRL）的对抗训练策略被证明是一种更有效的学习鲁棒跨领域特征的方法。在训练阶段，领域分类器对源域和目标域数据的区分能力逐渐提高，骨干特征提取器学习生成更多的领域不可区分特征。最后，特征提取器能够生成域不变特征。
2.3、域自适应目标检测
1）用于目标检测的 DA 继承并扩展了相同的对抗训练思想。与分类 DA 类似，检测 DA 对骨干特征提取器采用对抗性训练。然而除了分类之外，目标检测器还需要对每个感兴趣的物体进行定位和分类。因此使用一个额外的域分类器对每个实例特征进行分类，以促使特征提取器在实例级别上是域不变的。这种对抗性检测自适应方法是由Chen等人（2018）首创的，他们使用Faster R-CNN作为基本检测器模型。随后的研究遵循了这一惯例，Faster R-CNN成为了主要的领域自适应检测器。此外，Faster R-CNN的两阶段特性使得它非常适合在实例级特征上应用域自适应。区域建议网络（RPN）和兴趣区域池（ROI）产生的统一实例级特征便于领域分类器直接使用。
2）尽管 Faster R-CNN 很受欢迎并且可以方便地利用区域提议网络(RPN)，但在时间性能至关重要的现实应用中，Faster R-CNN 并不是理想选择。与 Faster R-CNN 相比，YOLO (2016)是一种具有代表性的单阶段检测器，由于其惊人的实时性能、简单性和便携性而成为更有利的选择。YOLOv3 (2018)是YOLO的流行版本，广泛应用于工业领域，包括视频监控、人群检测和自动驾驶。然而，对单阶段检测器的域自适应研究仍然很少。
2.4、本文提出的方法
在本文中，我们介绍了一种新颖的域自适应 YOLO（DA-YOLO），它使用单级检测器 YOLOv3 执行域自适应。该模型的总体架构如下图1所示。首先，我们提出回归图像对齐（Regressive Image Alignment，RIA）来减少图像级别的域差异。RIA 在 YOLOv3 特征提取器的不同层使用三个域分类器来预测特征图的域标签。然后，它采用对抗性训练策略（adversarial training strategy）来对齐图像级别特征。通过为这些图像级域分类器分配不同的权重，RIA 严格对齐局部特征并宽松地对齐全局特征。其次，我们提出多尺度实例对齐（Multi-Scale Instance Alignment，MSIA）用于实例级域适应。由于没有两阶段检测器中的区域建议网络RPN，MSIA 利用了 YOLOv3 的三尺度检测。MSIA 使用三个域分类器进行这些检测，以对齐实例级特征。最后，我们将多级一致性正则化（Multi-Level Consensus Regularization，MLCR）应用于域分类器，以驱动网络产生域不变检测。
2.5、本文贡献
综上所述，我们在本文中的贡献有三个方面：
1)我们设计了两个新的领域自适应模块来解决领域移位问题。
2)我们提出了一种用于一级检测器的领域自适应范式。 据我们所知，这是第一个提出统一一级检测器的图像级和实例级自适应的工作。
3)利用Cityscapes、Foggy Cityscapes、KITTI、SIM10K数据集进行了广泛的领域自适应实验。结果表明，本文提出的自适应YOLO在不同的跨域场景下是有效的。