无人驾驶目标检测中基于像素和特征级别的域自适应

Sep, 2018

无人驾驶目标检测中基于像素和特征级别的域自适应

Pixel and Feature Level Based Domain Adaption for Object Detection in Autonomous Driving

Yuhu Shan, Wen Feng Lu, Chee Meng Chew

TL;DR本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

Abstract

Annotating large scale datasets to train modern convolutional neural networks is prohibitively expensive and time-consuming for many real tasks. One alternative is to train the model on labeled synthetic datasets

convolutional neural networks synthetic datasets unsupervised domain adaptation object detection autonomous driving

发现论文，激发创造

将像素和特征级域自适应联合用于野外识别

通过深度域自适应进行知识迁移来提高性能，本研究提出了利用半监督学习洞察力设计的分类感知域对抗神经网络以在源域中将目标例子转化为更可分类的区域，并利用建立在通用外观流的三维几何与图像合成的基础上的属性条件换档深度生成对抗网络将源图像转化为多目标图像的意见。

Feb, 2018

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

一种以对抗扰动为导向的领域自适应语义分割方法

该研究论文提出了一种利用点对点特征空间敌对扰动来显式训练领域不变分类器的方法，进而解决领域间较小或头部类别在语义分割中支配对齐目标的问题，并在 GAT5 -> Cityscapes 和 SYNTHIA -> Cityscapes 两个语义分割挑战领域中取得了最新的最佳表现。

Dec, 2019

检测、增强、组合和适应：目标检测中的四个无监督领域适应步骤

无监督领域自适应在目标检测中发挥重要作用，该论文提出了一种新颖而有效的四步骤无监督领域自适应方法，利用自我监督学习同时训练源数据和目标数据，并在目标图像中识别具有最高置信度的检测区域作为伪标签，通过广泛实验，取得了领先竞争对手超过 2% mAP 的最先进性能。

Aug, 2023

自动驾驶视觉感知语义分割的无监督域适应调查

本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。

Apr, 2023

粗到精的域自适应语义分割：光度对齐和类别中心正则化

本研究提出了一种新的无监督域自适应方法，通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题，其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域，实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。

Mar, 2021

UADA3D：基于稀疏 LiDAR 和大域差异的无监督敌对领域自适应三维物体检测

我们在这项研究中填补现有无监督领域自适应方法的空白，这些方法主要集中于适应已经建立的高密度自动驾驶数据集。我们专注于稀疏的点云，从不同的角度捕捉场景，不仅来自道路上的车辆，还来自人行道上的移动机器人，遇到显著不同的环境条件和传感器配置。我们引入了无监督对抗领域自适应三维物体检测（UADA3D），不依赖于预训练源模型和师生架构，而是使用对抗性方法直接学习域不变特征。我们在各种适应场景中证明了其功效，在自动驾驶汽车和移动机器人领域都取得了显著的改进。我们的代码是开源的，即将推出。

Mar, 2024

基于循环一致性和特征对齐的移动语义分割无监督领域自适应

本研究提出了一种基于无监督域自适应（UDA）策略的语义分割方法，该方法利用对抗性模型实现了合成域和真实域之间的映射，利用 MobileNet-v2 架构实现了语义分割，并在特征级别增加了两个辨别器以提高性能。经实验证明，该方法能够在将分割网络训练为适应于真实世界场景时取得优异的性能。

Jan, 2020

面向无监督域自适应夜间语义分割的动态小物体细化

这篇论文提出了一种新的无监督领域自适应方法，通过精细调整标签和特征层，用于夜间语义分割中的动态和小物体，通过对特征和原型进行对比学习以减少领域间差异，并在四个基准数据集上进行了广泛实验，取得了较大的性能优势。

Oct, 2023

领域自适应语义分割的样式适应

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

Apr, 2024