1

基于迁移学习的目标识别算法测试

1

无

无

1基于图像到图像转换方法构建辅助样本，实现数据增补和目标检测器的输入级特征对齐； 2在YOLOv5的最小模型YOLOv5s上构建领域自适应YOLO模型，要求输入分辨率为(略)×(略)×3，部署阶段不影响原始YOLOv5s模型推理速度； 3领域自适应YOLO模型环境要求操作系统为Ubuntu (略).(略)和深度学习框架Pytorch 1.7.1，同时安装了NVIDIA CUDA (略).0和cuDNN 8.0.5，编程语言为 Python 3.7.9； 4领域自适应YOLO模型需满足在天气变化（晴天→雾天、晴天→雨天）的域偏移场景中，在目标域中检测器的mAP指标比原始YOLOv5提升(略)%以上； 5领域自适应YOLO模型需满足在复杂光照变化（白天→黑夜）的域偏移场景中，在目标域中检测器的mAP指标比原始YOLOv5提升5%以上，同时满足汽车类AP指标达到(略)%以上； 6领域自适应YOLO模型需满足异构传感器知识迁移（RGB图像→红外图像），并满足在目标域中行人检测的AP指标比原始YOLOv5s提升(略)%以上； 领域自适应YOLO模型需满足模型性能在目标域有较大提升的同时，在源域仍保持较好的检测性能，即对比原始YOLOv5s在源域上进行监督学习，领域自适应YOLO模型在源域中的mAP指标波动不超过3.0%。

按行业标准提供服务