不必担忧天气:无监督的条件依赖域适应
计算机视觉与模式识别
2019-07-26 v1 机器学习
摘要
执行系统关键任务(如分割与定位)的现代模型在理想条件(即白天、阴天)下表现出良好性能与鲁棒性,但当输入条件改变时性能迅速且常灾难性地下降。在本工作中,我们提出一种域适应系统,其使用轻量输入适配器以与外观无关的方式对输入图像进行预处理,使之兼容仅在理想条件输入上训练的现成计算机视觉任务。现成模型不进行微调,且该系统能够以自监督方式增量训练新输入适配器,以计算机视觉任务作为监督,当输入域与先前所见域显著不同时。我们在两个流行数据集 RobotCar 与 BDD 上报告了语义分割与拓扑定位性能的大幅提升。
引用
@article{arxiv.1907.11004,
title = {Don't Worry About the Weather: Unsupervised Condition-Dependent Domain Adaptation},
author = {Horia Porav and Tom Bruls and Paul Newman},
journal= {arXiv preprint arXiv:1907.11004},
year = {2019}
}
备注
Presented at ITSC2019