CONDA：面向自动驾驶视觉感知的连续无监督域自适应学习
计算机视觉与模式识别
2024-04-16 v2
摘要
尽管无监督域自适应方法在自动驾驶视觉感知的语义场景分割中取得了显著性能，这些方法在实际用例中仍不实用。实际上，分割模型可能遇到尚未见过的新数据。同时，由于隐私问题，分割模型的先前训练数据可能无法获取。因此，为解决这些问题，在本工作中我们提出一种连续无监督域自适应（CONDA）方法，使模型能够针对新数据的出现持续学习与适应。此外，我们提出的方法设计上无需访问先前的训练数据。为避免灾难性遗忘问题并维持分割模型的性能，我们提出一种新颖的双射最大似然损失来约束预测的分割分布偏移。在连续无监督域自适应基准上的实验结果表明了所提 CONDA 方法的先进性能。
引用
@article{arxiv.2212.00621,
title = {CONDA: Continual Unsupervised Domain Adaptation Learning in Visual Perception for Self-Driving Cars},
author = {Thanh-Dat Truong and Pierce Helton and Ahmed Moustafa and Jackson David Cothren and Khoa Luu},
journal= {arXiv preprint arXiv:2212.00621},
year = {2024}
}
备注
Accepted to CVPRW 2024