自动驾驶过去遍历特征的无监督领域适应
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
利用空间几何对齐和时间运动对齐构建自适应域归一化方法,以头显和机械扫描激光雷达的点云数据为例,实现了跨设备 3D 检测的最新性能水平。
Dec, 2022
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
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
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
本研究提出了一种新的基于统计学习方法的 LiDAR 全景分割的 UAD 方法,该方法利用数据依赖性和模型依赖性的两种不同的策略来解决无监督域适应问题,并在真实世界自动驾驶数据集上进行了广泛评估,结果显示该方法在 PQ 得分方面优于现有的 UDA 方法高达 6.41pp。
Sep, 2021
本研究提出一种应用于基于激光雷达的 3D 物体检测器的无源自适应方法,该方法使用班级原型来缓解误标签噪声的影响,利用转换器模块识别对应于错误、过于自信的注释的离群 ROI,通过自学习的过程,降低伪标签的损失并提高性能。
Nov, 2021
本文提出了一种基于未标注视频数据的无监督目标检测器自适应方法,该方法利用现有检测器的高置信度检测结果和跟踪器获取时序提示来自动获取目标数据标签,然后通过修改知识蒸馏损失函数和软标签的分配方法进行重新训练,实验结果表明该方法恰当地利用了追踪获取的困难样本,使用蒸馏损失函数的软标签优于硬标签,是一种简单且不依赖超参数的有效无监督目标检测器自适应方法。
Apr, 2019
自动驾驶中的 LiDAR 数据集存在诸如点云密度、范围和物体尺寸等属性偏差,因此在不同环境中训练和评估的物体检测网络往往会遇到性能下降的问题。为了解决这个问题,域自适应方法假设可以获取来自测试分布的未标注样本。但是,在实际世界中,部署条件和获得代表测试数据集的样本可能无法获得。我们认为,更现实和具有挑战性的形式是要求对未知目标域具有性能的鲁棒性。我们提出了一种双重方式来解决这个问题。首先,我们利用大多数自动驾驶数据集中存在的配对的 LiDAR - 图像数据进行多模态物体检测。我们建议通过利用图像和 LiDAR 点云的多模态特征来进行场景理解任务,从而使得物体检测器对未知域的转换更加鲁棒。其次,我们训练一个 3D 物体检测器,在不同分布之间学习多模态物体特征,并促进这些源域之间的特征不变性,以提高对未知目标域的泛化性能。为此,我们提出了 CLIX$^ ext {3D}$,它是一个用于 3D 物体检测的多模态融合和有监督对比学习框架,它在对不同数据集转换下实现了最先进的域泛化性能。
Apr, 2024