Aug, 2023
逐渐恶化天气下的航空影像持续领域适应
Continual Domain Adaptation on Aerial Images under Gradually Degrading
Weather
TL;DR领域适应旨在减少深度学习模型训练所在源领域和部署所在目标领域之间的差距。在航空平台上部署的深度学习模型可能面临逐渐恶化的天气条件，导致训练数据和评估数据之间的领域差距扩大。我们合成了两种逐渐恶化的天气条件并应用于真实图像数据集，生成了四个基准数据集。在持续或测试时间适应设置下，我们评估了三种领域适应模型：一个基准标准领域适应模型和两个持续领域适应模型。在这种设置下，模型一次只能访问目标数据中的一小部分或一个批次，并且适应过程持续进行，仅在数据的一个时代内完成。持续适应和逐渐恶劣的天气条件的组合为航空部署提供了实际的领域适应场景。在评估的模型中，我们考虑卷积和变换器体系结构进行比较。我们发现现有的基于缓冲区的持续领域适应方法在适应过程中存在稳定性问题，并提出梯度归一化作为一种简单的解决方案以抑制训练不稳定性。