摘要
事件相机凭借其高时间分辨率、低延迟以及对复杂光照条件的强大适应能力，已成为自主系统中的有前途的传感器。然而，部署事件相机进行障碍物检测需要大规模标注数据集，而这些数据集的采集成本极为高昂，限制了基于事件感知在自主系统中的实际落地。为克服这一瓶颈，我们提出了一种无监督两级域适应框架，可将大量标注RGB图像中的障碍物检测知识迁移至无标注事件流中，从而消除对事件域手动标注的依赖。在第一级，像素级转换模块采用非对称双向生成器，在合成RGB域与真实事件域之间引入事件域对抗监督。在第二级，双编码器通过层次化与稀疏注意力机制提取语义对齐的特征表示，以捕获密集空间结构和运动显著线索。统一的检测头基于紧凑的YOLO架构构建，并借鉴了J-MOD的障碍物检测分支，联合预测边界框、物体置信度、类别身份以及平均障碍物距离。该网络在标注源数据上进行训练，并借助基于置信度的伪标签在无标注目标数据上进行微调，从而实现无标签适应。在四个事件基准数据集Gen1、1Mpx、DSEC和MVSEC上的大量实验表明，所提出的框架分别取得了0.444、0.438、0.465和0.474的mAP@0.5:0.95分数。在MVSEC上，该框架在可比的车检测协议下优于最接近的图像到事件UDA基线方法，同时保持了低延迟和紧凑的模型复杂度。据我们所知，本工作是面向事件视觉中障碍物检测的最全面UDA框架之一，为异步感知下高效、域不变的感知确立了新的研究方向。
