粗标签协同伪标签：用于越野语义分割的粗糙真实标签
计算机视觉与模式识别
2026-01-27 v1 人工智能
机器人学
摘要
越野导航面临多样化、非结构化环境的挑战，需具备几何与语义理解能力的鲁棒感知。然而，稀缺的密集语义标注数据限制了跨域泛化。模拟数据虽有帮助，但引入域适应问题。我们提出COARSE框架，基于稀疏的领域内粗标签和密集的领域外标注数据，构建越野语义分割的半监督域适应方法。采用预训练视觉Transformer，通过互补的像素级与patch级解码器桥接域间差距，采用协同伪标签策略处理未标记数据。在RUGD和Rellis-3D数据集上评估，分别相比仅使用粗标签数据提升9.7%和8.4%。多生物系真实越野车数据测试进一步证明COARSE的适用性。
关键词
引用
@article{arxiv.2503.03947,
title = {COARSE: Collaborative Pseudo-Labeling with Coarse Real Labels for Off-Road Semantic Segmentation},
author = {Aurelio Noca and Xianmei Lei and Jonathan Becktor and Jeffrey Edlund and Anna Sabel and Patrick Spieler and Curtis Padgett and Alexandre Alahi and Deegan Atha},
journal= {arXiv preprint arXiv:2503.03947},
year = {2026}
}
备注
preprint, 8 pages