Nov, 2023

朝着联网与自动驾驶的多智能体协作鸟瞰图分割的全场景域泛化

PDF
TL;DR我们提出了一种统一的域泛化框架，通过在训练和推断阶段引入振幅增强和一致性训练方案，旨在解决协作感知系统中的域漂移和域差异问题，并通过广泛实验证明了其有效性。
collaborative perceptionautonomous drivingdomain generalizationamplitude augmentationintra-system domain alignment
发现论文，激发创造
  • 自主驾驶中领域对齐的协作感知中的自适应通信

    通过通信交换补充信息的多个连接和自主车辆之间的协同感知可以极大地增强感知能力，我们提出了一种通道感知的协同感知框架 ACC-DA，通过动态调整通信图并减小平均传输延迟来解决通道变化和数据异构性所带来的挑战。

    Sep, 2023

  • 端到端自动驾驶的实际与虚拟域统一

    通过利用虚拟数据来处理自动驾驶的数据合并问题，并通过 DU-drive 实现了端到端自动驾驶的无监督域融合框架，达到了更好的性能表现和解释能力。

    Jan, 2018

  • UVCPNet: 无人机 - 车辆协作感知网络用于 3D 目标检测

    通过开发虚拟数据集 V2U-COO，设计跨领域自适应模块 CDCA 以及协同深度优化模块 CDO，本文提出了一种专门用于空中 - 地面协同感知的框架，并在虚拟数据集和公共数据集上进行了广泛实验证明了其有效性，使检测准确率分别提高了 6.1% 和 2.7%。

    Jun, 2024

  • BEV-DG: 基于鸟瞰图的跨模态学习用于 3D 语义分割领域泛化

    跨模态无监督领域自适应旨在利用二维 - 三维数据的互补性来克服新领域中缺乏注解的问题。本研究提出了基于鸟瞰图的跨模态学习方法，用于三维语义分割的领域泛化。通过鸟瞰图下的交叉模态学习，优化了与领域无关的表示建模，同时提出了鸟瞰图驱动的领域对比学习方法来建模领域无关的表示。在三个三维数据集上，BEV-DG 在所有设置中明显优于现有方法，差距显著。

    Aug, 2023

  • 预测你将学到什么：非平稳环境下领域泛化的数据增强

    本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。

    Jan, 2023

  • DASGIL: 面向语义和几何感知的基于图像的领域自适应定位

    本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

    Oct, 2020

  • 多域 LiDAR 语义分割之路 —— 步行您的 LiDOG

    该论文设计了第一个实验环境，研究激光雷达语义分割的域泛化问题。通过提出一种具有传输学习功能的网络模型，有效地减少了领域之间的差距，从而解决了同领域分割方法不能满足跨领域泛化问题的难题。

    Apr, 2023

  • 通过无监督域自适应实现超出视野的密集全景语义分割

    本研究主要针对无人车自主驾驶问题，通过领域自适应的方式解决了对 360 度视角全景图像中层次分割的无监督学习问题；通过新的数据集 DensePASS，以及基于关注机制的自适应算法框架 P2PDA 实现了从针孔图像到全景图像的专业语义分割。实验证明，该框架相比于其他无监督学习和全景图像分割方法，有着更高的准确率和更高的效率。

    Oct, 2021

  • 多智能体协同感知的时空域认知

    本文提出了以 SCOPE 为基础的协同感知框架，通过聚合不同道路代理的时空感知特征，以连续的方式显著提高自主车辆的感知性能。实验结果展示了我们方法的优越性和所提出组件的必要性。

    Jul, 2023

  • DualCross: 单目 BEV 感知的跨模态跨域适应

    本文提出了一个名为 DualCross 的跨模态跨领域自适应框架，以便从 LiDAR 数据中转移点云知识，使得单目鸟瞰感知模型更具鲁棒性，进而在不同的领域和传感器输入情况下进行测试，从而解决单一主题的一些瓶颈问题，取得了与各种基线的最新成果相比的最新成果。

    May, 2023