Jun, 2023

自动驾驶车道检测的实时全无监督域自适应

PDF
TL;DR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。
deep neural networksautonomous drivinglane detectionunsupervised learningreal-time adaptation
发现论文，激发创造
  • 自动驾驶过去遍历特征的无监督领域适应

    通过利用未标记的多次穿越多个位置的方法，我们提出了一种用于自动驾驶汽车的 3D 物体检测系统的快速发展，该方法能够适应新的驾驶环境，并且在检测行人和远处物体方面取得了显著的性能提升。

    Sep, 2023

  • 用于车道检测的合成到真实领域适应

    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。

    Jul, 2020

  • 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

  • 无监督深度领域自适应行人检测

    本研究提出了一种基于迭代算法和正则化技术的无监督域自适应方法，从而提高人群密集场景中的行人检测精度。

    Feb, 2018

  • 利用播放回归进行无监督领域自适应的三维物体检测

    本研究提出了一种新的学习方法通过在原始领域的伪标签上微调探测器来减少自动驾驶汽车在不同环境下的识别差异，据此，研究发现在五组自动驾驶数据集中，探测器在伪标签领域上的微调显著降低了探测器在新的行驶环境中的误判率。

    Mar, 2021

  • 领域对抗循环神经网络实现强健的无主体行驶机动预测

    通过深度学习和计算机视觉技术，结合领域适应性实现驾驶行为几秒钟内的精准预测，提高驾驶辅助系统的性能和应用范围。

    Feb, 2019

  • LaneCorrect: 自监督车道检测

    本文提出了一种无监督的 3D 车道分割方法，通过利用激光雷达点云帧上车道的独特强度，在 2D 平面上投影 3D 点来获取嘈杂的车道标签；同时，利用自监督的预训练模型，矫正车道标签并训练学生网络实现任意目标车道（例如，TuSimple）的无人工标签检测，通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估，证明了优于现有监督方法的卓越性能，并且在减小领域差异方面具有更好的效果，即在 CULane 上训练，TuSimple 上测试。

    Apr, 2024

  • 基于标准化的动态无监督域自适应

    本文提出了一种名为动态无监督适应 (Dynamic Unsupervised Adaptation) 的方法，通过持续适应批规范化层的统计数据，可以在只有一小部分无标签数据的情况下，对一个已经训练好的模型进行继续适应，并取得与强基线相当的性能表现，尤其适应于具有数据稀缺或需要不断适应的情况，例如在困难的天气条件下的自动驾驶对象识别任务。

    Dec, 2021

  • 无人驾驶目标检测中基于像素和特征级别的域自适应

    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。

    Sep, 2018

  • 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