本文提出了一种新的半监督域自适应YOLO(SSDA-YOLO)方法。以YOLOv5为骨干网络,SSDA-YOLO可以通过完全监督学习有效地提取源域特征,为了获得目标域的实例级特征,论文采用了知识蒸馏框架,并使用Mean Teacher引导的教师网络来检测未标记的目标图像。然后对预测进行过滤,以迭代生成强伪标签,从而实现学生网络的相对无偏更新。此...
SSDAYOLO是一种基于半监督域自适应的YOLO方法，旨在解决跨域对象检测的挑战。以下是关于SSDAYOLO的详细解答：1. 方法核心： SSDAYOLO结合了YOLOv5与域自适应技术，通过知识蒸馏框架和Mean Teacher模型，实现对未标记目标域实例级特征的学习。2. 关键组件： 知识蒸馏框架：帮助学生模型通过过滤预测、迭代生成...
本文提出的SSDA-YOLO方法是基于先进的单级探测器YOLOv5。它包含四个主要组成部分:具有指导鲁棒学生网络更新的知识蒸馏框架的Mean Teacher模型,用于缓解图像级域差异的伪交叉生成训练图像,用于弥补跨域差异的更新蒸馏损失,以及用于进一步纠正跨域客观性偏差的新型一致性损失。这些模块的详细信息如下。 4.1 Mean Teacher Model...
SSDA-YOLO的整体架构包括知识蒸馏框架、伪训练图像生成、消除跨域差异和一致性损失函数。知识蒸馏框架帮助学生模型通过过滤预测、迭代生成强伪标签，以强制相对无偏的更新。通过使用CUT生成类源域假目标图像和类目标假源图像，SSDA-YOLO能够解决图像级域差异，并通过过滤后的预测进行弱监督学习。最终，一致性损...
Footer © 2025 GitHub, Inc. Footer navigation Terms Privacy Security Status Docs Contact Manage cookies Do not share my personal information RuntimeError: result type Float can't be cast to the desired output type long int · Issue #20 · hnuzhy/SSDA-YOLO...