用于激光雷达语义分割无监督域适应的增强原型学习方法
计算机视觉与模式识别
2022-05-24 v1
摘要
尽管十分重要，激光雷达语义分割上的无监督域适应（UDA）却是一个未受研究界太多关注的任务。直到最近，才有基于补全的3D方法被提出以解决该问题并正式建立了适应场景。然而，所提出的流程复杂、基于体素且需要多阶段推理，这阻碍了实时推理。我们提出了一种基于距离图像的、有效且高效的方法来解决激光雷达分割上的UDA。该方法利用来自源域的类原型对目标域像素进行伪标注，这是一个在自然图像语义分割的UDA中表现出良好性能的研究方向。由于严重的域偏移以及激光雷达分割设置中不可用的预训练特征提取器的缺失，此类方法尚未被考虑应用于激光雷达扫描。然而，我们表明，恰当的策略（包括基于重建的预训练、增强原型以及基于到原型距离的选择性伪标注）足以启用原型方法的使用。我们在最近提出的激光雷达分割UDA场景上评估了我们的方法性能。我们的方法在同期方法中取得了卓越性能。
引用
@article{arxiv.2205.11419,
title = {Enhanced Prototypical Learning for Unsupervised Domain Adaptation in LiDAR Semantic Segmentation},
author = {Eojindl Yi and Juyoung Yang and Junmo Kim},
journal= {arXiv preprint arXiv:2205.11419},
year = {2022}
}
备注
accepted to IEEE International Conference on Robotics and Automation (ICRA2022) (7 pages, 1 figure, 4 tables)