基于自编码器的车际泛化方法用于舱内乘员分类
计算机视觉与模式识别
2021-05-10 v1
摘要
常见的域偏移问题表述考虑在训练时融合多个源域，或融合目标域。关于机器学习模型在不同汽车内饰间的泛化，我们提出在单一车辆中训练的标准：既不访问模型将部署到的车辆的目标分布，也不在训练时访问多辆车。我们在SVIRO数据集上针对后座乘员分类进行了研究，并提出一种基于自编码器的方法来提升可迁移性。该自编码器在从头训练时与常用的分类模型表现相当，且有时优于在大量数据上预训练的模型。此外，该自编码器能将来自未知车辆的图像转换为其所训练的车辆的图像。这些结果通过在两个车辆内饰的真实红外图像上的评估得到佐证。
引用
@article{arxiv.2105.03164,
title = {Autoencoder Based Inter-Vehicle Generalization for In-Cabin Occupant Classification},
author = {Steve Dias Da Cruz and Bertram Taetz and Oliver Wasenmüller and Thomas Stifter and Didier Stricker},
journal= {arXiv preprint arXiv:2105.03164},
year = {2021}
}
备注
This paper has been accepted at IEEE Intelligent Vehicles Symposium (IV), 2021