域适应目标检测采用了无监督域适应的实验设置，即源域训练数据包括图像及其标注（边界框和物体类别），目标域训练数据是未标注的图像。实验的交并比评估阈值设为0.5。采用三种实验任务以验证其性能，包括：①SIM10k→Cityscapes（S→C）：SIM10k数据集为源域，其数据是从游戏软件中获取的合成数据；Cityscapes数据集为目标域，其数据来自真实的城市街道场景。②Cityscapes→Foggy Cityscapes（C→FC）：Cityscapes数据集为源域，其图像在良好的天气条件下采集得到；Foggy Cityscapes数据集为目标域，其图像是在Cityscapes数据集上应用雾模拟生成的。③KITTI→Cityscapes和Cityscapes→KITTI（K→C和C→K）：KITTI数据集和Cityscapes数据集分别是在不同的摄像机设置下采集得到的。表7.4为域适应目标检测方法在不同任务上的结果。

表7.4　域适应目标检测在不同任务上的结果[20]　单位：％(www.daowen.com)

从表7.4可以看出：①相比于Faster R-CNN（以S→C任务为例），域适应目标检测仅采用图像级自适应就能获得2.9％的性能增益，仅使用实例级自适应能获得5.6％的性能增益。这表明图像级自适应和实例级自适应能够分别有效降低图像级别和实例级别的域偏移；②同时使用图像级自适应和实例级自适应，域适应目标检测能获得7.7％的性能提升，进一步验证了在图像和实例两个层面上均需减少域偏移的必要性；③通过增加一致性正则项，域适应目标检测达到了8.8％的性能提升，准确率达到了38.97％。在其他任务上（C→FC，K→C，C→K），域适应目标检测均取得了比Faster R-CNN更好的性能，充分表明域适应目标检测在迁移学习目标域检测任务上的有效性。