通过任务蒸馏进行域适应
计算机视觉与模式识别
2025-11-03 v1 机器学习
机器人学
摘要
深度网络吞噬数百万张精确标注的图像以构建其复杂而强大的表征。遗憾的是，诸如自动驾驶等任务几乎不存在真实世界的训练数据。反复将车撞向树实在过于昂贵。通常给出的解决方案很简单：在仿真中学习表征并将其迁移到真实世界。然而，这种迁移具有挑战性，因为仿真与真实世界的视觉体验差异巨大。我们的核心观察是，对于某些任务（如图像识别），数据集十分丰富。它们存在于任何有趣的域中（仿真的或真实的），且易于标注和扩展。我们利用这些识别数据集在任务蒸馏框架中连接源域和目标域以在二者间迁移模型。我们的方法可以成功地在差异巨大的模拟器之间迁移导航策略：ViZDoom、SuperTuxKart 和 CARLA。此外，它在标准域适应基准上展示了有前景的结果。
引用
@article{arxiv.2008.11911,
title = {Domain Adaptation Through Task Distillation},
author = {Brady Zhou and Nimit Kalra and Philipp Krähenbühl},
journal= {arXiv preprint arXiv:2008.11911},
year = {2025}
}
备注
Published in European Conference on Computer Vision (ECCV 2020)