面向资源受限硬件上单目深度估计的视觉域适应

现实世界感知系统在很多情况下基于资源有限的硬件，以遵从承载系统的成本与功耗限制。借助模型压缩技术以及高效且硬件感知的架构设计，在资源受限硬件上部署深度神经网络已成为可能。然而，由于运行环境多样，还需要进行模型适应。在这项工作中，我们针对资源受限硬件上的视觉域适应背景下的深度神经网络训练问题。我们选取单目深度估计任务，其目标是将预训练模型转换到目标域数据。源域包含标签，而我们假设目标域无标签，正如现实世界应用中所发生的那样。随后，我们提出了一种适用于在资源有限设备上训练的对抗学习方法。由于视觉域适应（即神经网络训练）此前尚未在资源受限硬件上被探索，我们给出了首个基于图像深度估计的可行性研究。我们的实验表明，视觉域适应仅对高效网络架构以及规模为数百样本量级的训练集才相关。模型与代码已公开可用。