用于减小LiDAR鸟瞰图中仿真到真实域偏移的循环与语义一致对抗域适应
计算机视觉与模式识别
2021-04-23 v1
摘要
基于LiDAR信息的目标检测方法性能受训练数据可用性的严重影响，通常仅限于特定激光设备。因此，在训练神经网络模型时，合成数据的使用日益流行，因为传感器规格和驾驶场景均可按需生成。然而，弥合虚拟与真实环境之间的差距仍是一项开放挑战，因为当前模拟器无法完全模仿真实LiDAR运作。为解决此问题，通常采用域适应策略，在应用于距离视图(RV)和鸟瞰图(BEV)投影时对车辆检测取得显著结果，但在较小道路主体上却失效。本文提出一种基于CycleGAN的BEV域适应方法，其利用先验语义分类以在域适应过程中保留感兴趣小目标的信息。所生成BEV的质量已使用KITTI 3D目标检测基准上最先进的3D目标检测框架进行评估。所得结果显示了所提方法相对于现有替代方案的优越性。
引用
@article{arxiv.2104.11021,
title = {Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View},
author = {Alejandro Barrera and Jorge Beltrán and Carlos Guindel and Jose Antonio Iglesias and Fernando García},
journal= {arXiv preprint arXiv:2104.11021},
year = {2021}
}
备注
Submitted to IEEE International Conference on Intelligent Transportation Systems (ITSC2021)