SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation

要約

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、あるラベル付きデータセットでモデルを学習し、それが別のドメインで適切に一般化することは困難な作業です。
これは特に LIDAR データの場合に当てはまり、LIDAR パターンの違いや取得条件の変化などにより、モデルのパフォーマンスに大きな差異が生じる可能性があります。
このペーパーでは、セマンティック セグメンテーションに対応する教師なしドメイン適応 (UDA) タスクについて説明します。
この問題を軽減するために、ソース データとターゲット データに対して暗黙的な基礎となるサーフェス表現を同時に学習する教師なし補助タスクを導入します。
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 ソース間の不一致に対応する必要があります。
この新しい戦略は、統計的発散の古典的な最小化や LIDAR 固有のドメイン適応技術とは異なります。
私たちの実験は、現実から現実へのシナリオと合成から現実へのシナリオの両方で、私たちの方法が現在の最先端技術よりも優れたパフォーマンスを達成することを示しています。

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 domain adaptation techniques. Our experiments demonstrate that our method achieves a better performance than the current state of the art, both in real-to-real and synthetic-to-real scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google