2. 为了解决缺乏标注数据、以及在源域图像上训练的模型在目标域图像上性能下降的问题，本文在第四章中提出一种基于自监督和知识蒸馏的关键点检测模型，该模型的主要创新在于在有标注的源域数据上采用由粗到细的伪标签更新策略减轻产生的伪标签的噪声，以提升模型在目标域上的检测精度，并提出了一种基于特征共享的知识蒸馏训练策略，将丰富的中间特征从教师模型转移到学生模型，最后采用数据一致性扰动减轻模型在目标域数据上的过拟合。实验表明，本章所提出的方法相较于其他算法有着更好的检测效果。
参考文献（略）
2. 为了解决缺乏标注数据、以及在源域图像上训练的模型在目标域图像上性能下降的问题，本文在第四章中提出一种基于自监督和知识蒸馏的关键点检测模型，该模型的主要创新在于在有标注的源域数据上采用由粗到细的伪标签更新策略减轻产生的伪标签的噪声，以提升模型在目标域上的检测精度，并提出了一种基于特征共享的知识蒸馏训练策略，将丰富的中间特征从教师模型转移到学生模型，最后采用数据一致性扰动减轻模型在目标域数据上的过拟合。实验表明，本章所提出的方法相较于其他算法有着更好的检测效果。
参考文献（略）
