CTS：3D检测的模拟到现实无监督域适应
计算机视觉与模式识别
2024-10-01 v2 机器学习
摘要
模拟数据可以准确标注，因而被期望用于改进数据驱动算法的性能，包括目标检测。然而，由于从模拟到现实存在各种领域不一致（sim-to-real），跨域目标检测算法通常会遭受显著性能下降。虽然已developed许多无监督域适应（UDA）方法来解决现实世界数据集之间的跨域任务，但在sim-to-real方面的进展仍有限。本文提出一种 novel 的 Complex-to-Simple（CTS）框架，用于将标记的模拟（source）域模型迁移到未标记的现实（target）域。基于一个 two-stage 检测器，本工作的新颖之处在于：1）开发固定大小的锚框 heads 和 RoI增强，以解决两个域之间的大小偏差和特征多样性，从而提高伪标签质量；2）开发一种 novel 的角度格式表示的 aleatoric 不确定性（AU），用于统一量化伪标签质量；3）基于AU开发一种 noise-aware mean teacher 域适应方法，以及 object-level 和 frame-level 采样策略，用于迁移噪声标签的影响。实验结果表明，我们提出的方法显著增强了3D目标检测模型的sim-to-real 域适应能力，超越了面向real-to-real UDA任务的 state-of-the-art 跨域算法。
关键词
引用
@article{arxiv.2406.18129,
title = {CTS: Sim-to-Real Unsupervised Domain Adaptation on 3D Detection},
author = {Meiying Zhang and Weiyuan Peng and Guangyao Ding and Chenyang Lei and Chunlin Ji and Qi Hao},
journal= {arXiv preprint arXiv:2406.18129},
year = {2024}
}