使用弱监督方法，将航空影像车辆检测器适配到未知领域

在航拍图像中检测车辆是一项关键任务，其应用涵盖交通监控、城市规划和国防情报。深度学习方法已为该应用提供了业界领先（SOTA）的结果。然而，一个重大挑战是，在一个地理区域数据上训练的模型，往往无法有效地泛化到其他地区。环境条件、城市布局、道路网络、车辆类型以及图像采集参数（如分辨率、光照和角度）等因素的变化，会导致领域漂移，从而降低模型性能。本文提出了一种新方法，利用生成式AI合成高质量的航拍图像及其标签，通过数据增强来改进检测器的训练。我们的关键贡献是开发了一个多阶段、多模态的知识迁移框架，该框架利用微调后的潜在扩散模型（LDM）来缩小源环境和目标环境之间的分布差距。在不同航拍图像领域进行的大量实验表明，与仅在源域数据上进行监督学习、弱监督适应方法、无监督领域自适应方法以及开集目标检测器相比，我们的方法在AP50指标上分别取得了4-23%、6-10%、7-40%和超过50%的稳定性能提升。此外，我们还引入了两个来自新西兰和犹他州的新标注航拍数据集，以支持该领域的进一步研究。项目主页位于：https://humansensinglab.github.io/AGenDA