用于车道检测的合成到真实领域适应

Jul, 2020

用于车道检测的合成到真实领域适应

Synthetic-to-Real Domain Adaptation for Lane Detection

Noa Garnett, Roy Uziel, Netalee Efrat, Dan Levi

TL;DR本文提出了一种基于自动生成的合成数据和未标记或部分标记的目标域数据学习的自动驾驶准确车道检测方法，采用了基于自编码器的方法处理合成和真实数据，同时探索了领域自适应方法和半监督学习，经过实验验证，该方法几乎能够在仅有 10％标注数据的情况下实现全监督的准确率。

Abstract

accurate lane detection, a crucial enabler for autonomous driving, currently relies on obtaining a large and diverse labeled training dataset. In this work, we explore learning from abundant, randomly generated <

accurate lane detection autonomous driving synthetic data domain adaptation semi-supervised learning

发现论文，激发创造

CARLANE: 从模拟到现实多个领域的无监督域自适应车道检测基准

提出 CARLANE 数据集并评估了不同领域适应方法对于无人驾驶的车道检测结果，结果表明 CARLANE 能进一步加强无监督域适应的研究，并提出 Prototypical Cross-domain Self-supervised Learning 方法.

Jun, 2022

自动驾驶车道检测的实时全无监督域自适应

介绍了一种轻量、全自动、实时适应的方法，该方法只需要调整神经网络模型的批量归一化参数，能够在 Nvidia Jetson Orin 上以 30 帧每秒的速度实现推断和设备内适应，表现与半监督适应算法相似。

Jun, 2023

车道检测的多层域适应

本研究提出了多层领域自适应（MLDA）框架，通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测，以识别车道形状和位置先验知识，提出了一种新的视角来解决车道检测领域差异带来的挑战，针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足，在两个挑战性数据集 TuSimple 和 CULane 中，我们的方法相对于现有领域自适应算法，在准确性和 F1 分数方面分别提高了 8.8％和 7.4％。

Jun, 2022

跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

Jul, 2019

无监督领域自适应语义分割的多对抗训练正则化代理

通过提出代理标签方法，使用多重对抗训练产生高质量标签，使得深度模型能够在目标域上进行带监督的训练，以解决语义分割过程中像素级别标注数量巨大，使其难以扩展。

Jul, 2019

利用合成数据进行学习：解决语义分割的领域偏移问题

该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

Nov, 2017

城市场景语义分割中合成数据的有效使用

本文提出了一种无需真实图像数据的方法，通过修改前景和背景类的训练方法来适应合成图像，有效地训练出了适用于城市街景和驾驶场景的图像语义分割模型。