面向可行驶空间检测的跨模态域自适应：一个简洁而有效的基线

作为自动驾驶系统的基础功能之一，可行驶空间检测旨在将相机捕获的图像的每个像素分类为可行驶或不可行驶。当前可行驶空间检测工作严重依赖大量密集标注的训练数据以保证准确与鲁棒，而此类数据的采集与标注耗时费力。据我们所知，我们是首个探索无监督域自适应用于可行驶空间检测以利用合成数据缓解数据限制问题的工作。我们开发了一个跨模态域自适应框架，利用从深度图像生成的 RGB 图像与表面法线图。提出协作交叉引导（CCG）模块，以交叉方式利用一种模态的上下文信息引导另一模态，从而实现模态内域间互补。为更好弥合源域（合成数据）与目标域（真实世界数据）间的域差距，我们还提出选择性特征对齐（SFA）模块，仅对齐两域间一致前景区域的特征，从而实现域间模态内自适应。我们分别将三个不同合成数据集适配到一个真实世界数据集进行可行驶空间检测，开展了大量实验。我们的方法性能接近全监督可行驶空间检测方法（93.08 对比 97.50 F1 分数），并以大幅优势超越其他通用无监督域自适应语义分割方法，显示了域自适应用于可行驶空间检测的良好潜力。