面向LiDAR全景分割的无监督域适应
计算机视觉与模式识别
2022-03-01 v2 机器人学
摘要
场景理解是自动驾驶车辆安全行驶于环境中的关键任务。深度学习的近期进展使得从LiDAR数据中对周围环境进行准确语义重建成为可能。然而，当将这些模型部署于配备不同LiDAR设置的车辆时，会出现较大的域间隙，从而大幅降低其性能。由于记录和人工标注新数据的过程昂贵且繁琐，针对每种新设置微调模型并不可行。因此，无监督域适应（UDA）技术对于填补该域间隙并在无需额外数据标注的情况下保持模型在新传感器设置上的性能至关重要。本文中，我们提出AdaptLPS，一种新颖的用于LiDAR全景分割的UDA方法，其利用任务特定知识，并考虑了扫描线数量、安装位置、强度分布及环境条件的差异。我们通过采用两种互补的域适应策略（基于数据的和基于模型的）来解决UDA任务。基于数据的适应通过处理原始LiDAR扫描使其类似于目标域中的扫描来缩小域间隙，而基于模型的技术则引导网络提取对两个域均具代表性的特征。在三个真实世界自动驾驶数据集对上的大量评估表明，AdaptLPS在PQ分数上比现有UDA方法最高高出6.41个百分点。
引用
@article{arxiv.2109.15286,
title = {Unsupervised Domain Adaptation for LiDAR Panoptic Segmentation},
author = {Borna Bešić and Nikhil Gosala and Daniele Cattaneo and Abhinav Valada},
journal= {arXiv preprint arXiv:2109.15286},
year = {2022}
}
备注
8 pages, 3 figures