提升基于热图的无监督域适应热力学语义分割性能
计算机视觉与模式识别
2025-05-13 v1 机器人学
摘要
在自动驾驶领域，热力学图像语义分割因其在恶劣视觉条件下提供稳健场景理解能力而成为重要研究方向。特别是针对热力学图像分割的无监督域适应（UDA）方法，能够有效解决标注热力学数据集不足的问题。然而，由于这些方法未能有效利用RGB图像与热力学图像之间的互补信息，在域适应过程中会显著降低性能。本文对基于热图的UDA进行系统性研究。我们首先提出一种新颖的掩码互学策略，通过对每个谱域模型之间选择性地传输结果并屏蔽不确定区域，以促进互补信息的交换。此外，我们引入一种新颖的原型自监督损失，用于提升夜间场景下热力学分割模型的性能。该方法解决了RGB预训练网络在低光照条件下无法有效迁移知识的局限性。实验表明，我们的方法在多个基准数据集上均优于以前的UDA方法，并与最新的有监督方法性能相当。
引用
@article{arxiv.2505.06951,
title = {Boosting Cross-spectral Unsupervised Domain Adaptation for Thermal Semantic Segmentation},
author = {Seokjun Kwon and Jeongmin Shin and Namil Kim and Soonmin Hwang and Yukyung Choi},
journal= {arXiv preprint arXiv:2505.06951},
year = {2025}
}
备注
7 pages, 4 figures, International Conference on Robotics and Automation(ICRA) 2025