面向车道检测的从合成到真实域自适应
计算机视觉与模式识别
2020-11-10 v2
摘要
准确的车道检测是自动驾驶的关键赋能技术，目前依赖于获取大规模且多样化的标注训练数据集。在本工作中，我们转而探索利用丰富的、随机生成的合成数据，以及未标注或部分标注的目标域数据来进行学习。随机生成的合成数据在车道几何与光照方面具有可控可变性的优势，但在照片真实感上受限。这带来了将在不真实合成域上学习的模型适配到真实图像的挑战。为此，我们开发了一种新颖的基于自编码器的方法，其利用与特定图像未对齐的合成标签来适配目标域数据。此外，我们探索了现有的域自适应方法，如图像翻译与自监督，并将其调整至车道检测任务。我们在无目标域标签可用的无监督域自适应设定下，以及少量目标图像被标注的半监督设定下测试了所有方法。在使用三个不同数据集的广泛实验中，我们证明了节省昂贵目标域标注工作的可能性。例如，在 llamas 与 tuSimple 车道数据集上采用我们提出的自编码器方法，仅用 10% 的标注数据即可几乎恢复全监督精度。此外，我们的自编码器方法在半监督域自适应场景中优于所有其他方法。
引用
@article{arxiv.2007.04023,
title = {Synthetic-to-Real Domain Adaptation for Lane Detection},
author = {Noa Garnett and Roy Uziel and Netalee Efrat and Dan Levi},
journal= {arXiv preprint arXiv:2007.04023},
year = {2020}
}
备注
ACCV 2020