用于地面到空中感知知识迁移的渐进式自蒸馏
计算机视觉与模式识别
2023-04-18 v3
摘要
我们研究一个实际但尚未被探索的问题：无人机如何在不同飞行高度的环境中感知。与始终从地面视角进行感知的自动驾驶不同，飞行中的无人机可能因特定任务灵活改变飞行高度，需要具备视角不变感知能力。用监督学习解决该问题将为不同飞行高度的数据标注带来巨大成本。另一方面，当前的半监督学习方法在视角差异下效果不佳。本文中，我们引入地面到空中感知知识迁移，并提出一种渐进式半监督学习框架，仅使用地面视角的标注数据和飞行视角的未标注数据即可实现无人机感知。我们的框架包含四个核心组件：i) 密集视角采样策略，将垂直飞行高度范围划分为一组间隔均匀的小区间；ii) 最近邻伪标注，利用在前一视角上学习的模型推断最近邻视角的标签；iii) MixView，在不同视角间生成增强图像以缓解视角差异；iv) 渐进式蒸馏策略，逐步学习直至达到最大飞行高度。我们收集了一个合成数据集和一个真实世界数据集，并进行了充分的实验分析，表明我们的方法在合成数据集和真实世界上分别带来22.2%和16.9%的精度提升。代码和数据集可在 https://github.com/FreeformRobotics/Progressive-Self-Distillation-for-Ground-to-Aerial-Perception-Knowledge-Transfer 获取。
引用
@article{arxiv.2208.13404,
title = {Progressive Self-Distillation for Ground-to-Aerial Perception Knowledge Transfer},
author = {Junjie Hu and Chenyou Fan and Mete Ozay and Hua Feng and Yuan Gao and Tin Lun Lam},
journal= {arXiv preprint arXiv:2208.13404},
year = {2023}
}