现有大多数目标检测方法通常假设训练数据与测试数据具有相同的概率分布。但在实际应用中，由于拍摄视角、物体外观、背景、光照等影响，训练数据和测试数据之间存在着较大的域偏移，也称为域鸿沟。以自动驾驶技术为例，测试车辆上所使用的摄像机类型和设置可能与收集训练数据时所使用的摄像机类型与设置不同，并且测试车辆也可能位于不同的城市，使得拍摄记录物体具有不同的外观。此外，自动驾驶系统在不同的天气条件下，例如雨天、雾天，均应该可靠工作，然而训练数据通常是在能见度较好的晴好天气下采集。上述因素均会造成训练数据与测试数据之间的分布差异，给目标检测带来很大的挑战。

当训练数据与测试数据分布不相同时，将在训练数据上训练好的检测器用到测试数据时，目标检测的精度将会显著下降[19]。虽然收集尽可能多的训练数据可能会减轻域偏移所带来的影响，但很难收集到覆盖所有情况的训练数据，并且大规模训练数据的标注需要耗费大量的人力和物力。因此，研究如何使目标检测模型自动适应于不同域是非常有必要的，也引起了越来越多研究人员的关注。本节将介绍迁移学习目标检测方法，关注将在已标注数据（源域）上训练得到的目标检测模型迁移到无标注数据（目标域）上，从而提高检测器在目标域上的检测性能。(www.daowen.com)