面向车联网协同感知的领域泛化：V2X-DG

基于激光雷达的车联网(V2X)协同感知已显示其对自动驾驶安全性和有效性的影响。由于当前的协同感知算法是在同一数据集上进行训练和测试的，因此协同感知系统的泛化能力仍未得到充分探索。本文是首次研究LiDAR-based V2X协同感知的领域泛化问题(V2X-DG)，基于四个广泛使用的开源数据集：OPV2V、V2XSet、V2V4Real和DAIR-V2X。我们的研究旨在仅通过在源域上进行训练，即可在源域内外维持高性能。为此，我们提出了基于Cooperative Mixup Augmentation的领域泛化方法(CMAG)，通过模拟未见的协同操作来提高模型的泛化能力，该方法紧凑地设计用于协同感知中的领域差异。此外，我们提出了一种用于正则化稳健泛化特征表示学习的约束：Cooperative Feature Consistency(CEC)，该方法通过CMAG生成的中间融合特征与原始协同操作在源域中的早期融合特征进行对齐。广泛的实验表明，我们的方法在泛化到其他未见数据集时实现了显著的性能提升，而在保持源数据集强大性能的同时也表现出色。