面向自动驾驶的基于TTA改进批量归一化的鲁棒目标检测
计算机视觉与模式识别
2024-12-02 v1
摘要
在当前开放的真实世界自动驾驶场景中，传感器故障和极端天气条件等挑战，导致大多数自动驾驶感知模型难以泛化到这些未见的域，因为测试和训练数据之间的域迁移。随着自动驾驶感知模型参数规模的增长，传统的测试时适应(TTA)方法在大多数场景下不稳定，常常导致模型性能下降。为了应对这些挑战，本文提出了两种新型鲁棒方法来改进自动驾驶中基于TTA的批量归一化用于目标检测：(1)我们引入基于广义搜索熵最小化(GSEM)方法的可学习BN层。具体而言，我们通过纳入辅助可学习参数，修改传统BN层，使其能够根据不同输入数据动态更新统计信息。(2)我们提出了一种基于语义一致性的双阶段适应策略，鼓励模型在适应过程中迭代搜索最优解，并消除适应过程中不稳定的样本。广泛的实验在NuScenes-C数据集上表明，我们的方法在六种损坏类型和三个严重程度水平下，使用以BEVFormer为基线模型，最大提高约8%。我们将很快公开源代码。
引用
@article{arxiv.2411.18860,
title = {Improving Batch Normalization with TTA for Robust Object Detection in Self-Driving},
author = {Dacheng Liao and Mengshi Qi and Liang Liu and Huadong Ma},
journal= {arXiv preprint arXiv:2411.18860},
year = {2024}
}