摘要
我们探讨了在昼夜域适应（day-night domain adaptation）任务中的零样本（zero-shot）设置。传统的域适应方法通常是在一个源域上进行训练，并利用测试集中的未标注数据样本来适应目标域。然而，获取相关的测试数据既昂贵又在某些情况下几乎不可能实现。为此，我们摒弃了对测试数据图像的依赖，转而利用基于物理反射模型所推导出的视觉归纳偏置（visual inductive prior）来实现域适应。我们将在多种颜色不变性边缘检测器建模为卷积神经网络中的可训练层，并评估其对光照变化的鲁棒性。实验结果表明，引入的颜色不变性层能够有效减小网络各层特征图激活中的昼夜分布偏移。我们在合成数据集与真实自然数据集上，针对分类、分割以及场景识别等多种任务，均验证了该方法在零样本条件下从白天到夜晚域适应任务中性能的显著提升。