CARLANE：一种面向从仿真到多个真实世界域的无监督域适应的车道检测基准
计算机视觉与模式识别
2023-08-08 v4 人工智能
机器学习
摘要
无监督域适应通过将从带标签源域训练的模型迁移至无标签目标域，展现出缓解域偏移的巨大潜力。尽管无监督域适应已应用于多种复杂视觉任务，但仅有少数工作关注自动驾驶中的车道检测。这可归因于缺乏公开可用数据集。为促进这些方向的研究，我们提出 CARLANE，一个面向 2D 车道检测的三向仿真到真实域适应基准。CARLANE 包含单目标数据集 MoLane 和 TuLane 以及多目标数据集 MuLane。这些数据集构建自三个不同域，涵盖多样场景，共包含 163K 张独特图像，其中 118K 张带有标注。此外，我们评估并报告了系统性基线，包括我们自身的方法，其构建于原型跨域自监督学习之上。我们发现，相较于全监督基线，所评估的域适应方法的假阳性率和假阴性率较高。这印证了诸如 CARLANE 之类基准的必要性，以进一步加强车道检测无监督域适应的研究。CARLANE、所有评估模型及相应实现已在 https://carlanebenchmark.github.io 公开可用。
引用
@article{arxiv.2206.08083,
title = {CARLANE: A Lane Detection Benchmark for Unsupervised Domain Adaptation from Simulation to multiple Real-World Domains},
author = {Julian Gebele and Bonifaz Stuhr and Johann Haselberger},
journal= {arXiv preprint arXiv:2206.08083},
year = {2023}
}
备注
36th Conference on Neural Information Processing Systems (NeurIPS 2022) Track on Datasets and Benchmarks, 22 pages, 11 figures