基于无监督域自适应的计算机视觉任务研究进展

作为工业互联网的典型实例之一,车联网技术近年来飞速发展,其核心在于信息的互联互通.因此,精准、可迁移的环境信息感知能力是其稳定运行的前提之一.深度学习的进步推动了计算机视觉任务的发展,但基于传统深度学习的方法仍存在训练过程对人工标注数据依赖强、场景泛化能力较差的弊端.而对于计算机视觉任务来说,训练数据的真值标签获取较难,因此如何提升模型的迁移能力,缓解训练对人工标注的依赖受到了学界的广泛关注.无监督域自适应方法使用深度学习模型进行特征提取和对齐,使得深度学习模型在不同域间迁移时仍能保证良好的性能,在计算机视觉任务中发挥了重要作用.因此,本综述主要聚焦无监督域自适应方法在一些典型计算机视觉任务中的挑战和应用.首先,介绍了基于深度学习的无监督域自适应方法的定义、重要意义、应用难点、基本方法和相关数据集.然后,分别针对典型计算机视觉任务介绍了无监督域自适应方法在其中的应用.最后,进行了总结和展望.