ExAgt：面向交通场景表征学习的专家引导增强方法
计算机视觉与模式识别
2022-07-21 v2
摘要
近年来，表征学习已通过自监督学习方法得到解决。输入数据被增强为两个失真视图，编码器学习对失真不变的表征——跨视图预测。增强是跨视图自监督学习框架中学习视觉表征的关键组件之一。本文提出ExAgt，一种将专家知识用于增强交通场景的新方法，以在无任何人工标注的情况下改进所学表征。专家引导的增强基于基础设施、EGO与交通参与者之间的交互以及理想传感器模型以自动化方式生成。ExAgt方法被应用于两种最先进的跨视图预测方法中，所学表征在分类与聚类等下游任务中进行测试。结果表明，与使用仅标准增强相比，ExAgt方法改进了表征学习，并提供了更好的表征空间稳定性。代码可在 https://github.com/lab176344/ExAgt 获取。
引用
@article{arxiv.2207.08609,
title = {ExAgt: Expert-guided Augmentation for Representation Learning of Traffic Scenarios},
author = {Lakshman Balasubramanian and Jonas Wurst and Robin Egolf and Michael Botsch and Wolfgang Utschick and Ke Deng},
journal= {arXiv preprint arXiv:2207.08609},
year = {2022}
}
备注
Accepted as a conference paper in ITSC 2022, Macau, China