摘要
在大规模RGB图像数据集上训练的深度模型已展现出卓越的性能。将此类深度模型应用于现实世界问题至关重要，然而这些模型在光照变化条件下往往面临性能瓶颈。相比之下，热红外（Thermal IR）相机对光照变化具有更强的鲁棒性，因此在解决实际问题中具有重要应用价值。为探究富含特征的可见光谱与热成像模态相结合的有效性，本文提出一种无需RGB与热图像配对数据的无监督域自适应方法。我们以大规模RGB数据集MS-COCO作为源域，以热成像数据集FLIR ADAS作为目标域，验证所提方法的有效性。尽管对抗性域自适应方法旨在对齐源域与目标域的分布，但单纯对齐分布并不能保证模型在目标域上实现理想的泛化能力。为此，本文提出一种由自训练引导的对抗性域自适应方法，以增强对抗性域自适应方法的泛化性能。该方法通过为目标域热图像中的样本生成伪标签（pseudo labels），从而在目标域上学习更具泛化能力的表示。大量实验分析表明，所提方法在性能上优于当前最先进的对抗性域自适应方法。相关代码与模型已公开发布，可供学术界和工业界使用。