利用时空特征改善自动驾驶中跨域迁移学习的泛化能力
计算机视觉与模式识别
2021-09-24 v2 机器学习
摘要
实用的基于学习的自动驾驶模型必须能够将学习到的行为从仿真域泛化到真实域，以及从训练数据泛化到具有异常图像属性的未知域。在本文中，我们研究通过利用时空特征跨域的不变性来实现对域偏移具有鲁棒性的迁移学习方法。在本文中，我们提出一种迁移学习方法，通过时空特征迁移和显著数据增强来改善跨域泛化。我们的模型使用带有 Inception 模块的 CNN-LSTM 网络进行图像特征提取。我们的方法分两个阶段运行：阶段 1 涉及在源域数据上训练，而阶段 2 在通过使用阶段 1 模型生成的特征图进行补充的目标域数据上执行训练。与多个数据集上的其他 SOTA 方法相比，我们的模型在仿真到仿真迁移以及仿真到真实迁移的未知测试用例中，测试准确率提升高达 +37.3\%，转向角预测提升高达 +40.8\%。
引用
@article{arxiv.2103.08116,
title = {Improving Generalization of Transfer Learning Across Domains Using Spatio-Temporal Features in Autonomous Driving},
author = {Shivam Akhauri and Laura Zheng and Tom Goldstein and Ming Lin},
journal= {arXiv preprint arXiv:2103.08116},
year = {2021}
}
备注
6 pages, 3 figures, 8 tables