SALUDA：基于表面的自动驾驶激光雷达无监督域适应
计算机视觉与模式识别
2024-06-27 v4
摘要
在一个标注数据集上学习模型并使其在另一域上良好泛化是一项困难的任务，因为数据域之间可能发生多种偏移。对于激光雷达数据而言尤其如此，由于例如不同的激光雷达模式或采集条件的变化，模型可能表现出较大的性能差异。本文针对语义分割的相应无监督域适应（UDA）任务。为缓解该问题，我们引入了一项无监督辅助任务，即在源数据和目标数据上同时学习隐式底层表面表示。由于两个域共享相同的潜在表示，模型被迫适应两种数据来源之间的差异。这一新策略不同于经典的统计散度最小化或激光雷达特定的域适应技术。我们的实验表明，无论是在真实到真实还是合成到真实的场景中，我们的方法都取得了优于当前最先进水平（SOTA）的性能。
引用
@article{arxiv.2304.03251,
title = {SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation},
author = {Björn Michele and Alexandre Boulch and Gilles Puy and Tuan-Hung Vu and Renaud Marlet and Nicolas Courty},
journal= {arXiv preprint arXiv:2304.03251},
year = {2024}
}
备注
Accepted as spotlight to 3DV 2024. Project repository: github.com/valeoai/SALUDA