面向自动驾驶视觉感知中语义分割的无监督域适应综述

深度神经网络（DNNs）在过去几年中已在诸多领域证明其能力，如机器人与自动驾驶，实现了技术突破。DNNs 在自动驾驶这一挑战性应用的环境感知中发挥着重要作用，并被用于检测、语义分割与传感器融合等任务。尽管取得了进展与巨大的研究投入，仍存在若干限制 DNNs 在自动驾驶中适用性的问题亟待解决。DNNs 对新未知域的不良泛化是迈向安全大规模应用的主要障碍，因为新域的手动标注成本高昂，尤其对于语义分割。因此，需要无需标注工作即可将 DNNs 适配到新域的方法。这些方法旨在解决的任务是无监督域适应（UDA）。尽管多种不同的域偏移可挑战 DNNs，合成与真实数据间的偏移对自动驾驶尤为关键，因其允许使用仿真环境进行 DNN 训练。本工作中，我们概述了该研究领域的最新技术现状。我们对 UDA 的不同方法进行分类与阐释。所考虑的文献数量超过任何其他关于该主题的综述。本综述的范围远超出 UDA 现状的描述。基于我们庞大的数据与知识库，我们对这些方法进行了定量比较，并利用观察指出该领域的最新趋势。随后，我们对现状进行批判性分析，并强调有前景的未来研究方向。本综述旨在进一步推动 UDA 研究，并鼓励科研人员开拓新颖研究方向以更好地泛化 DNNs。