混合域训练改进多任务火星地形分割
计算机视觉与模式识别
2022-09-29 v1
摘要
行星漫游车任务必须利用基于机器学习的感知，以在极少或无人存在的情况下继续地外探索。火星地形分割对漫游车导航与避障以执行进一步探索任务（例如土壤采样和搜寻有机化合物）至关重要。当前的火星地形分割模型需要大量标注数据才能达到可接受性能，并且需要针对跨不同域（即不同漫游车任务）或不同任务（即地质识别与导航）的部署进行重新训练。本研究提出一种半监督学习方法，利用对主干网络的无监督对比预训练，用于火星表面的多任务语义分割。该模型通过利用确保特征多样性的混合域训练集，能够跨不同火星漫游车任务部署用于地形导航，从而扩展当前的火星分割能力。使用平均像素精度的评估结果表示，相比单域训练与有监督训练，半监督混合域方法提高了精度，对火星科学实验室的 Curiosity 漫游车达到 97% 精度，对火星 2020 Perseverance 漫游车达到 79.6%。此外，为损失函数提供不同加权方法，使用召回率度量使模型对少数或稀有类的正确预测相比标准交叉熵损失提高了 30% 以上。这些结果可为未来以数据高效方式进行的多任务与多任务语义分割提供借鉴。
引用
@article{arxiv.2209.13674,
title = {Mixed-domain Training Improves Multi-Mission Terrain Segmentation},
author = {Grace Vincent and Alice Yepremyan and Jingdao Chen and Edwin Goh},
journal= {arXiv preprint arXiv:2209.13674},
year = {2022}
}
备注
Accepted to ECCV 2022 AI4Space Workshop