摘要：无偏跨域目标检测的主要目的是借助知识蒸馏最大限度地利用源域的知识,通过领域自适应减小模型的跨域差距。然而,通常用于无偏跨域目标检测的平均教师方法所产生的伪标签并不可靠,从而导致师生模型间仍然存在较大的领域偏差问题。受傅里叶变换中相位信息不变性特点的启发,在平均教师的基础上提出傅里叶增强无偏协同教师模型(FAUMT)。利用傅里叶相位信息的不变性,设计振幅混合的数据增强(AMDA)模块,其可以有效地混合源域和目标域间的相位信息从而实现数据增强。而数据增强会产生额外的噪声,设计两个一致性损失来保证数据增强前后预测的一致性。此外,为平衡模型训练过程中源域和目标域间的跨域偏差,还设计了多层对抗学习(MAL)模块,旨在对不同层次的像素级别特征进行域对齐。在三个基准数据集Cilpart1K、Watercolor2K、Comic2K上,该方法的mAP分别达到了47.5%、58.9%、46.1%,超过了其他算法。