面向自动驾驶车辆的单目深度估计器的联邦自监督学习
计算机视觉与模式识别
2023-10-10 v1 人工智能
分布式、并行与集群计算
摘要
在智能交通系统的自动驾驶计算机视觉研究中，基于图像的深度估计已获得显著关注。这一关注源于其成本效益和广泛的潜在应用。与需要两个固定摄像头的双目深度估计方法不同，单目深度估计方法仅依赖单个摄像头，因而具有高度通用性。尽管该任务的最先进方法利用了深度神经网络的自监督学习，并结合姿态估计与语义分割等任务，但它们均未探索联邦学习与自监督的结合，以利用自动驾驶车辆采集的无标签私有数据训练模型。联邦学习的应用带来了显著益处，包括增强隐私保护、降低网络消耗以及提升对连接问题的韧性。为弥补这一空白，我们提出 FedSCDepth，一种结合联邦学习与深度自监督的新方法，能够学习单目深度估计器，其有效性可与当前最先进方法媲美，且效率更优。我们在 KITTI 数据集的 Eigen 划分上进行的评估实验表明，所提方法达到了接近最先进的性能，测试损失低于 0.13，且平均仅需 1.5k 训练步数，每轮每辆自动驾驶车辆最多传输 0.415 GB 权重数据。
引用
@article{arxiv.2310.04837,
title = {Federated Self-Supervised Learning of Monocular Depth Estimators for Autonomous Vehicles},
author = {Elton F. de S. Soares and Carlos Alberto V. Campos},
journal= {arXiv preprint arXiv:2310.04837},
year = {2023}
}
备注
16 pages, 8 figures, journal preprint