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