面向农业移动机器人场景识别的语义分割多源伪标签学习
计算机视觉与模式识别
2023-01-16 v3 机器人学
摘要
本文描述了一种训练语义分割模型用于农业移动机器人场景识别的新方法，其利用了与目标温室环境不同的公开室外场景数据集。语义分割模型需要由繁琐人工标注给出的丰富标签。规避此问题的一种方法是无监督域适应(UDA)，其将知识从有标签的源数据集迁移到无标签的目标数据集。然而，现有方法在异质环境(如城市场景与温室)之间的适应效果尚未得到充分研究。在本文中，我们提出一种无需温室图像人工标注数据集来训练温室图像语义分割模型的方法。我们思想的核心是使用多个具分割标签的不同环境的丰富图像数据集为目标图像生成伪标签，以有效从多源迁移知识并实现语义分割的精确训练。伴随伪标签生成，我们引入最先进的方法来处理伪标签中的噪声以进一步提升性能。我们在多个温室数据集上的实验表明，相较单源基线与一种现有方法，我们所提方法提升了性能。
引用
@article{arxiv.2102.06386,
title = {Multi-source Pseudo-label Learning of Semantic Segmentation for the Scene Recognition of Agricultural Mobile Robots},
author = {Shigemichi Matsuzaki and Jun Miura and Hiroaki Masuzawa},
journal= {arXiv preprint arXiv:2102.06386},
year = {2023}
}
备注
Published in Advanced Robotics