ePointDA：一种用于激光雷达点云分割的端到端仿真到真实域自适应框架
计算机视觉与模式识别
2021-02-24 v2 人工智能
摘要
由于其稳健且精确的距离测量，激光雷达（LiDAR）在自动驾驶场景理解中发挥着重要作用。在 LiDAR 数据上训练深度神经网络（DNNs）需要大规模逐点标注，其获取耗时且昂贵。相反，仿真到真实域自适应（SRDA）利用无限合成数据与自动生成标签训练 DNN，并将所学模型迁移至真实场景。现有用于 LiDAR 点云分割的 SRDA 方法主要采用多阶段流水线并聚焦于特征级对齐。它们需要真实世界统计的先验知识，且忽略了不同域间的像素级丢弃噪声间隙与空间特征间隙。本文中，我们提出一种新颖的端到端框架 ePointDA 以解决上述问题。具体而言，ePointDA 由三个模块组成：自监督丢弃噪声渲染、统计不变与空间自适应特征对齐，以及可迁移分割学习。该联合优化使 ePointDA 能够通过为合成 LiDAR 显式渲染丢弃噪声在像素级弥合域偏移，并通过空间对齐不同域间特征在特征级弥合域偏移，且无需真实世界统计。从合成 GTA-LiDAR 到真实 KITTI 与 SemanticKITTI 的大量自适应实验证明了 ePointDA 在 LiDAR 点云分割上的优越性。
引用
@article{arxiv.2009.03456,
title = {ePointDA: An End-to-End Simulation-to-Real Domain Adaptation Framework for LiDAR Point Cloud Segmentation},
author = {Sicheng Zhao and Yezhen Wang and Bo Li and Bichen Wu and Yang Gao and Pengfei Xu and Trevor Darrell and Kurt Keutzer},
journal= {arXiv preprint arXiv:2009.03456},
year = {2021}
}
备注
Accepted by AAAI 2021