面向域自适应单目深度估计的特征分解学习
计算机视觉与模式识别
2022-08-02 v1
摘要
单目深度估计（MDE）因成本低廉及对定位、建图和障碍物检测等机器人任务的关键作用而受到广泛研究。监督方法随着深度学习的进步取得了巨大成功，但它们依赖大量昂贵获取的地面真实深度标注。无监督域自适应（UDA）将知识从有标注的源数据迁移到无标注的目标数据，从而放宽监督学习的约束。然而，由于域偏移问题，现有 UDA 方法可能无法完全对齐不同数据集间的域差距。我们认为通过精心设计的特征分解可实现更好的域对齐。本文提出一种用于 MDE 的新型 UDA 方法，称为自适应特征分解学习（LFDA），其学习将特征空间分解为内容与风格分量。LFDA 仅尝试对齐内容分量，因其域差距较小；同时，它将特定于源域的风格分量排除在主干任务训练之外。此外，LFDA 使用独立的特征分布估计进一步弥合域差距。在三种域自适应 MDE 场景上的大量实验表明，与最先进方法相比，所提方法取得了更优的精度和更低的计算成本。
引用
@article{arxiv.2208.00160,
title = {Learning Feature Decomposition for Domain Adaptive Monocular Depth Estimation},
author = {Shao-Yuan Lo and Wei Wang and Jim Thomas and Jingjing Zheng and Vishal M. Patel and Cheng-Hao Kuo},
journal= {arXiv preprint arXiv:2208.00160},
year = {2022}
}
备注
Accepted at IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS) 2022