面向自监督单目深度与分割任务的仿真到真实域适应
计算机视觉与模式识别
2020-12-02 v1 机器学习
摘要
基于图像的自动驾驶车辆感知任务学习方法需要大量带标注的真实数据才能妥善训练而不发生过拟合，而这往往成本高昂。虽然利用仿真数据的力量有可能帮助降低这些成本，但在仿真域中训练的网络在应用于真实域图像时通常无法充分发挥作用。领域自适应的最新进展表明，共享潜在空间假设有助于弥合仿真域与真实域之间的差距，使网络从仿真域到真实域的预测能力得以迁移。我们证明，一种具有共享潜在空间和辅助解码器的孪生基于VAE的架构能够弥合仿真到真实（sim2real）的差距，而无需真实域中的任何成对真值数据。仅利用仿真域中的成对真值数据，该架构就有可能生成深度图和分割图等感知任务结果。我们将此方法与被以监督方式训练的网络进行比较，以表明这些结果的价值。
引用
@article{arxiv.2012.00238,
title = {Sim2Real for Self-Supervised Monocular Depth and Segmentation},
author = {Nithin Raghavan and Punarjay Chakravarty and Shubham Shrivastava},
journal= {arXiv preprint arXiv:2012.00238},
year = {2020}
}
备注
9 pages, 3 figures