渐进域适应弱监督目标检测方法将PASCAL VOC 2007和PASCAL VOC 2012数据集中的训练集作为源域，将Clipart1k数据集作为目标域，即P→C。源域图像包含图像级标注和实例级标注，全部被用于训练。目标域图像按照1∶1的比例划分为训练集和测试集。渐进域适应弱监督目标检测方法采用多个不同的目标检测基础模型（Faster R-CNN、SSD300、YOLOv2）来验证其有效性。表7.5展示了该方法在不同基础检测模型上的性能。其中，“Ideal case”是用目标域训练集的实例级标注来微调目标检测器，可以认为是性能理论上界。“DT+PL”是采用域迁移和伪标签生成实例级标注样本来微调源域检测器。“DT”是仅使用域迁移所获得的有标注的、与目标域相似的图像来微调源域检测器。“PL”是指仅使用带有伪标签的目标域图像对源域检测器进行微调。与基础模型Faster R-CNN相比，“DT”方法使得性能提高了5.9％，“PL”方法使得性能提高了3.6％，“DT+PL”使性能提高了8.7％。与SSD300和YOLOv2方法的基线方法相比，“DT”“PL”“DT+PL”模型均带来了明显的性能提升。这些充分验证了域迁移和伪标签的有效性和互补性。图7.21为渐进域适应弱监督目标检测方法在不同数据集上的检测结果示例。

表7.5　渐进域适应弱监督目标检测方法在P→C任务上的性能[23]

图7.21　渐进域适应弱监督目标检测方法在不同数据集上的结果示例[23](www.daowen.com)

（a）Clipart1k；（2）Watercolor2k；（3）Comic2k