用于域自适应可通行性预测的伪三边对抗训练
计算机视觉与模式识别
2023-06-27 v1
摘要
可通行性预测是自主导航的一项基础感知能力。在过去十年中，深度神经网络（DNN）被广泛用于预测可通行性。DNN 的性能通过利用大量数据得到了显著提升。然而，不同域中数据的多样性在预测性能上造成了显著差距。在这项工作中，我们致力于缩小这些差距，提出一种新颖的伪三边对抗模型，该模型采用由粗到细对齐（CALI）来执行无监督域自适应（UDA）。我们的目标是以高数据效率迁移感知模型，消除代价高昂的数据标注，并提升从易获取源域到各种具有挑战性目标域自适应过程中的泛化能力。现有的 UDA 方法通常采用双边零和博弈结构。我们证明，我们的 CALI 模型——一种伪三边博弈结构——优于现有的双边博弈结构。本工作架起了理论分析与算法设计之间的桥梁，从而得到一个训练简便且稳定的高效 UDA 模型。我们进一步开发了 CALI 的一个变体——Informed CALI（ICALI），其受近期 mixup 数据增强技术成功的启发，并基于 CALI 的结果混合信息区域。这一混合步骤提供了两域之间显式的桥梁，并在训练过程中更多地暴露表现不佳的类别。我们在多个具有挑战性的域自适应设定中展示了我们所提模型相对于多个基线的优越性。为了进一步验证所提模型的有效性，我们将感知模型与视觉规划器结合构建了一个导航系统，并展示了我们的模型在复杂自然环境中具有高可靠性。
引用
@article{arxiv.2306.14370,
title = {Pseudo-Trilateral Adversarial Training for Domain Adaptive Traversability Prediction},
author = {Zheng Chen and Durgakant Pushp and Jason M. Gregory and Lantao Liu},
journal= {arXiv preprint arXiv:2306.14370},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2204.09617