对抗一致性约束的无监督域自适应绝缘子检测

目的 绝缘子检测是输电线路智能巡维工作的重要组成部分，然而大多数情况仅能获得单一类型的绝缘子样本。将单一类型的绝缘子样本训练得到的模型直接用于其他类型的绝缘子检测，会由于训练数据与目标数据之间存在的域偏移导致其检测性能急剧下降。因此，提高模型的泛化能力以保持良好的检测性能显得尤为必要。为此，提出一种新颖的对抗一致性约束的无监督域自适应绝缘子检测算法。方法 对源域样本与目标域样本分别设计了两个不同的分类器，并将网络的预测结果与对应的绝缘子进行类别约束，使模型能够提取到不同类型绝缘子独有的特征。此外，在对抗学习过程中引入一个额外的分类器用于将源域中绝缘子特征与从目标域中预测到的目标物特征分到同一类别下，从而使模型能提取不同类型绝缘子共有的鲁棒性特征。结果 实验表明本文方法显著提高了模型的跨域检测性能。在glass→composite和composite→glass任务上的平均精度均值(mean average precision, mAP)分别达到55.1%和23.4%，优于主流的无监督域自适应目标检测方法。在公开数据集COCO(common objects in context)上的实验结果也较为优异，平均精度均值(mean average precision，mAP)达到61.5%。消融实验中，在glass→composite和composite→glass任务上，本文方法在基准性能上分别提升了11.5%和6.4%，表明了所提方法的有效性。结论 本文方法减少了不同类型绝缘子间的差异带来的域偏移，提升了模型在跨域绝缘子检测任务中的泛化能力，提高了输电线路巡维工作的绝缘子检测效率。同时，在COCO数据集上的普适性实验表明本文方法同样适用于其他不同类物体的检测并且性能优异。

Unsupervised domain adaptation insulator detection based on adversarial consistency constraints