SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation

要約

タイトル：SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation

要約：
– ラベル付けされたデータセットで学習したモデルを、別のドメインでもうまく汎用化することは困難であり、データドメイン間でいくつかのシフトが発生する可能性があるため、Lidar（ライダー）データでも特にこの問題があります。
– この論文はセマンティックセグメンテーションのための対応する教師なしドメイン適応タスクに取り組みます。
– この問題を緩和するため、ソースとターゲットデータの同時に暗黙的に基になる表面表現を学習する教師なしの補助的なタスクを紹介します。
– 両方のドメインが同じ潜在表現を共有するため、モデルは2つのデータソース間の不一致を収容するように強制されます。
– この新しい戦略は、古典的な統計的発散の最小化やLidarに特化した最先端のドメイン適応技術とは異なります。
– 実験により、この方法は、シミュレーションから実際に、そして実際から実際にまでのステータスで、現在の最先端技術よりも優れた性能を発揮することが示されています。

要約(オリジナル)

Learning models on one labeled dataset that generalize well on another domain is a difficult task, as several shifts might happen between the data domains. This is notably the case for lidar data, for which models can exhibit large performance discrepancies due for instance to different lidar patterns or changes in acquisition conditions. This paper addresses the corresponding Unsupervised Domain Adaptation (UDA) task for semantic segmentation. To mitigate this problem, we introduce an unsupervised auxiliary task of learning an implicit underlying surface representation simultaneously on source and target data. As both domains share the same latent representation, the model is forced to accommodate discrepancies between the two sources of data. This novel strategy differs from classical minimization of statistical divergences or lidar-specific state-of-the-art domain adaptation techniques. Our experiments demonstrate that our method achieves a better performance than the current state of the art in synthetic-to-real and real-to-real scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI