SS-SFDA：面向危险环境下道路分割的自监督无源域自适应
计算机视觉与模式识别
2025-02-13 v2
摘要
我们提出了一种在雨或雾等恶劣天气条件下进行无监督道路分割的新方法。这包括一种利用自监督学习实现无源域自适应（SFDA）的新算法。此外，我们的方法采用多种技术来应对 SFDA 中的各种挑战并提升性能，包括伪标签的在线生成与自注意力，以及课程学习、熵最小化和模型蒸馏的使用。我们已在对应于真实与合成恶劣天气条件的 个数据集上评估了性能。我们的方法在无监督道路分割和 SFDA 上均优于以往所有工作至少 10.26%，并将训练时间缩短了 18-180 倍。此外，我们的自监督算法在 mIOU 分数方面表现出与以往有监督方法相近的精度性能。
引用
@article{arxiv.2012.08939,
title = {SS-SFDA : Self-Supervised Source-Free Domain Adaptation for Road Segmentation in Hazardous Environments},
author = {Divya Kothandaraman and Rohan Chandra and Dinesh Manocha},
journal= {arXiv preprint arXiv:2012.08939},
year = {2025}
}