How to Relieve Distribution Shifts in Semantic Segmentation for Off-Road Environments
机器人学
2026-05-29 v1 计算机视觉与模式识别
摘要
语义分割对于离岸环境的自主导航至关重要，通过对周围环境进行精确分类来识别可遍历区域。然而，离岸条件固有的独特因素，如源-目标域差异和来自粗糙地形的传感器损坏，可能导致分布性偏移，以不同方式改变数据。这通常会导致语义标签预测不准确，进而导致导航任务失败。为此，我们提出了 ST-Seg，一种新型框架，通过风格扩展(SE)和纹理正则化(TR)扩充源分布。不同于先前方法在固定源分布内隐式应用泛化的方法，ST-Seg 提供了一种直观的分布性偏移方法。具体而言，SE 通过生成多样化的真实风格来扩大域覆盖范围，增强源域中受限的风格信息；TR 通过深层纹理流形稳定受风格增强学习影响的局部纹理表示。实验表明，ST-Seg 在各种分布性偏移目标域上均显示出有效性，相较于现有方法实现了显著改进。这些结果凸显了 ST-Seg 的鲁棒性，提高了离岸导航语义分割的实际应用前景。
引用
@article{arxiv.2605.29599,
title = {How to Relieve Distribution Shifts in Semantic Segmentation for Off-Road Environments},
author = {Ji-Hoon Hwang and Daeyoung Kim and Hyung-Suk Yoon and Dong-Wook Kim and Seung-Woo Seo},
journal= {arXiv preprint arXiv:2605.29599},
year = {2026}
}
备注
8 pages, 6 figures. Accepted to IEEE Robotics and Automation Letters (RA-L). \c{opyright} 2025 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses