基于上下文对比与聚合的无监督领域自适应车道检测
计算机视觉与模式识别
2024-07-19 v1
摘要
本文聚焦于领域自适应车道检测中的两个关键问题：即如何有效学习判别特征以及如何跨域传递知识。现有的车道检测方法通常利用像素级交叉熵损失进行训练，但该损失忽略了车道之间特征表示的差异，导致特征学习效率低下。另一方面，现有车道检测方法未充分探讨跨域上下文依赖，这对于跨域知识传递至关重要。本文提出了一种 Domain-Adaptive lane detection via Contextual Contrast and Aggregation (DACCA) 方法，包含两个关键组件：跨域对比损失和域级特征聚合，以实现领域自适应车道检测。前者通过将域级特征作为正样本，有效区分类别间的特征表示。后者融合域级和像素级特征，以强化跨域上下文依赖。大量实验表明，DACCA 显著提升了检测模型的性能，并在六个数据集上超越了现有的无监督领域自适应车道检测方法，尤其在从 CULane 迁移到 Tusimple（92.10% 准确率）、Tusimple 迁移到 CULane（41.9% F1 分数）、OpenLane 迁移到 CULane（43.0% F1 分数）以及 CULane 迁移到 OpenLane（27.6% F1 分数）时取得最佳性能。
引用
@article{arxiv.2407.13328,
title = {Unsupervised Domain Adaptive Lane Detection via Contextual Contrast and Aggregation},
author = {Kunyang Zhou and Yunjian Feng and Jun Li},
journal= {arXiv preprint arXiv:2407.13328},
year = {2024}
}