GeoAdapt：基于几何先验的LiDAR地点识别自监督测试时自适应
计算机视觉与模式识别
2023-11-30 v2
摘要
基于深度学习的LiDAR地点识别方法在训练与测试数据集分布发生偏移时会出现显著性能下降，通常需重新训练网络以达到峰值性能。然而，为新训练数据获取准确真值数据可能极其昂贵，尤其在复杂或GPS受限环境中。为解决此问题，我们提出GeoAdapt，其引入一种新颖的辅助分类头，以自监督方式为未见环境生成伪标签用于再训练。GeoAdapt利用几何一致性作为先验，提升所生成伪标签对域偏移的鲁棒性，从而改善我们测试时自适应方法的性能与可靠性。综合实验表明，GeoAdapt在从中度到严重域偏移下显著提升地点识别性能，并与全监督测试时自适应方法具有竞争力。我们的代码见 https://github.com/csiro-robotics/GeoAdapt。
引用
@article{arxiv.2308.04638,
title = {GeoAdapt: Self-Supervised Test-Time Adaptation in LiDAR Place Recognition Using Geometric Priors},
author = {Joshua Knights and Stephen Hausler and Sridha Sridharan and Clinton Fookes and Peyman Moghadam},
journal= {arXiv preprint arXiv:2308.04638},
year = {2023}
}
备注
Accepted to IEEE Robotics and Automation Letters (RA-L) November 2023