特征校正迁移学习：非理想视觉条件下物体检测的端到端解决方案

我们的研究引入了 “特征纠正迁移学习”，这是一种新颖的方法，利用迁移学习和定制的损失函数，在非理想成像条件下完成目标检测，如雨天、雾天、低照度或缺乏 ISP 处理的原始 Bayer 图像，而无需将非理想图像转换为它们的 RGB 对应物。通过对比非理想图像与初始 RGB 模型的特征图，使用扩展的区域新颖结构差异损失（EANSDL）量化相似性并将其融入检测损失，我们的方法在全面的 RGB 图像数据集上首先训练了一个模型。实验证实，与基准模型相比，在 KITTI 数据集的变体上，平均精度（mAP）得到了显著提高，在非理想条件下检测的相对改进为 3.8-8.1％，而在理想条件下，与标准的 Faster RCNN 算法相比，mAP@[0.5:0.95] 的性能差异小于 1.3％。