ConDA: Unsupervised Domain Adaptation for LiDAR Segmentation via Regularized Domain Concatenation

要約

タイトル：ConDA： 正則化ドメイン連結法によるLiDARセグメンテーションの無監督ドメイン適応

要約：

– 無監督ドメイン適応において、ラベル付きソースドメインから学習した知識を未処理のターゲットドメインに転移することは、自律走行システムのスケーラブルな展開に必要である。
– UDAのステートオブジ アートな方法は、ソースとターゲットのドメインからの共同監視信号を利用して自己学習を行うことが主要なアイデアである。このアイデアを改良・拡張し、ConDAを提案する。
– ConDAは、LiDARセグメンテーションの連結ベースのドメイン適応フレームワークであり、以下の点が特徴である。
– 1)自己転写時に、自動車周辺のオブジェクトと背景の意味的な整合性を崩さず、ソースとターゲットのドメインからの微細な交換信号から構成される中間ドメインを作成する。
– 2)自己転写に中間ドメインを利用する。
– ソースドメインのネットワークトレーニングと中間ドメインの自己トレーニングを改善するために、アンチエイリアシング正則化子とエントロピー集約器を提案する。
– 幅広い研究により、ConDAはドメイン間のギャップを緩和する点で、従来のアートワークを大幅に上回ることを示している。

要約(オリジナル)

Transferring knowledge learned from the labeled source domain to the raw target domain for unsupervised domain adaptation (UDA) is essential to the scalable deployment of autonomous driving systems. State-of-the-art methods in UDA often employ a key idea: utilizing joint supervision signals from both source and target domains for self-training. In this work, we improve and extend this aspect. We present ConDA, a concatenation-based domain adaptation framework for LiDAR segmentation that: 1) constructs an intermediate domain consisting of fine-grained interchange signals from both source and target domains without destabilizing the semantic coherency of objects and background around the ego-vehicle; and 2) utilizes the intermediate domain for self-training. To improve the network training on the source domain and self-training on the intermediate domain, we propose an anti-aliasing regularizer and an entropy aggregator to reduce the negative effect caused by the aliasing artifacts and noisy pseudo labels. Through extensive studies, we demonstrate that ConDA significantly outperforms prior arts in mitigating domain gaps.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI