面向自动驾驶车道检测与分类的仿真到真实域自适应
计算机视觉与模式识别
2022-05-31 v2
摘要
尽管自动驾驶中的监督式检测与分类框架需要大规模标注数据集才能收敛，但由照片级真实感仿真环境生成的合成数据所促进的无监督域自适应（UDA）方法，被视为低成本且省时的解决方案。在本文中，我们提出使用对抗判别与生成方法的 UDA 方案，用于自动驾驶中的车道检测与分类应用。我们还提出了 Simulanes 数据集生成器，利用 CARLA 丰富的交通场景与天气条件来创建具有自然真实感的合成数据集。所提出的 UDA 框架以带标签的合成数据集作为源域，而以无标签的真实世界数据作为目标域。通过对抗生成器与特征判别器，所学模型被调优以在目标域中预测车道位置与类别。所提技术使用真实世界与我们的合成数据集进行了评估。结果表明，所提方法在检测与分类精度及一致性方面优于其他基线方案。消融研究揭示，仿真数据集的规模在所提方法的分类性能中起着重要作用。我们的 UDA 框架发布于 https://github.com/anita-hu/sim2real-lane-detection，我们的数据集生成器发布于 https://github.com/anita-hu/simulanes。
引用
@article{arxiv.2202.07133,
title = {Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving},
author = {Chuqing Hu and Sinclair Hudson and Martin Ethier and Mohammad Al-Sharman and Derek Rayside and William Melek},
journal= {arXiv preprint arXiv:2202.07133},
year = {2022}
}
备注
Accepted by IV 2022