《表2 KITTI→Cityscapes域迁移AP定量结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于单点多盒检测器的全局-局部层级的域适应目标检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

单位：%

场景B的检测结果：场景B指的是KITTI to Cityscapes(K→C），如表2所示，检测结果与场景A类似，GL-SSD在15种类别的目标检测AP也是明显优于SSD模型的，与另外三个模型相比，GL-SSD除了Bldg和Sign类别准确度小于三个模型，其他种类的AP都高于这三个模型。如表3所示，同其他三种模型比较，分别单独采用全局域适应方法、局部域适应方法以及将这两种方法组合起来都能提高域迁移检测性能，但是同场景A的检测结果还是有一个明显的区别，就是采用全局域适应方法提高的m AP值要小于采用局部域适应方法，本文认为这是因为Cityscapes和KITTI都是有关交通方面的场景，其相似程度要高于场景A，易分类样本较少，所以采用局部域适应效果会更好些。当然将一致性正则继续应用到场景B中也能提高m AP值，达到了43.28%，相比ADDA提高了2.94个百分点。