基于鸟瞰图LiDAR点云数据的车辆检测域适应
计算机视觉与模式识别
2019-05-23 v1 人工智能
摘要
来自3D LiDAR传感器的点云数据是自动驾驶车辆等多样安全关键应用中最关键的传感器模态之一。由于点云数据的标注昂贵且耗时，因此近来利用仿真环境与3D LiDAR传感器执行该任务开始受到一定关注。借助仿真传感器与环境，获取带标注的合成点云数据的过程变得容易得多。然而，生成的合成点云数据仍缺少真实3D LiDAR传感器点云数据中通常存在的伪影。结果，由于仿真与真实环境间的域偏移，在此数据上训练的感知任务模型在真实点云数据上测试时性能下降。因此，本工作中我们提出一种域适应框架以弥合合成与真实点云数据间的差距。我们提出的框架基于深度循环一致生成对抗网络（CycleGAN）架构。我们在来自真实3D LiDAR传感器的鸟瞰图（BEV）点云图像的车辆检测任务上评估了框架性能。该框架展现出具竞争力的结果，在真实BEV点云图像测试时平均精度分数较其他基线方法提升逾7%。
引用
@article{arxiv.1905.08955,
title = {Domain Adaptation for Vehicle Detection from Bird's Eye View LiDAR Point Cloud Data},
author = {Khaled Saleh and Ahmed Abobakr and Mohammed Attia and Julie Iskander and Darius Nahavandi and Mohammed Hossny},
journal= {arXiv preprint arXiv:1905.08955},
year = {2019}
}
备注
Under review for IEEE SMC 2019