1.主要包括DANN模型定义、数据集定义和加载、模型训练与测试、MNIST-M数据集生成等模块； 2.使用tensorflow2.x框架和bpython进行开发，训练5000个迭代次数后MNIST-M数据集的分类准确率稳定在0.86. 3.相关详细介绍参考：https://daipuweiai.blog.csdn.net/article/details/104478550和https://daipuweiai.blog.csdn.net/article/details/104495520两篇博客

1.主要包括CGAN模型定义、数据集定义与加载、模型训练和模型测试4个模块； 2.主要使用python语言和Keras框架进行实现该项目。利用MNIS训练CGAN，经过100个epoch可以生成手写数字图像

该项⽬主要是通过GAN和域⾃适应来来辅助完成机场机坪⻋辆检测，进而克服机场机坪数据严重缺少标签难 题，并适应因光照和照明灯光变换带来的场景变化。主要⼯作如下： 1. ⾸先在YOLO v3的基础上添加两个⼤尺度特征的预测分⽀，并在5个预测分⽀的上加⼊SPP模块形成 YOLO-SPP5，在训练中使⽤CIOU Loss和Focal Loss。在⽩天机坪场景数据集上达到了78.68%的 mAP。在YOLO-SPP5的基础上利⽤DarkNet-53提取得到的特征利⽤梯度反转层构建与分类器形成DAYOLO-SPP5。同时利⽤CycleGAN实现数据重建，构造⽬标域假图共享源域标签。训练过程中⽩天机坪数 据使⽤⽬标检测标签，夜晚数据则不⽤，在夜晚机坪数据集上达到了81.61%的mAP，该部分的⽹络架构 及其整体思路与ICIP2021（CCF C类会议）论⽂Multiscale Domain Adaptive YOLO for CrossDomain Object Detection基本⼀致； 2. 针对YOLO-SPP5检测速度较慢和CycleGAN图像转化质量不⾼的缺点，在YOLO-SPP5的DarkNet53特征 提取增加了SE注意⼒机制，并实现⼀定成都模型剪枝，并将多尺度特征通过渐进式上采样整合成单预测分 ⽀，形成Attention-YOLO-SPP，并与域⾃适应模块形成DA-Attention-YOLO-SPP，在训练过程中使⽤ StarGAN实现数据增强。Attention-YOLO-SPP在⽩天场景下取得了94.18%的mAP，DA-AttentionYOLO-SPP在夜晚场景下取得了80.13%的mAP