Survey on Unsupervised Domain Adaptation for Semantic Segmentation for Visual Perception in Automated Driving

要約

タイトル: 自動運転における視覚認識のための意味領域適応に関する無監督ドメインアダプテーションの調査

要約:
– DNNは過去数年間で多くの分野での能力を証明してきており、ロボティクスや自動運転などの分野で技術的なブレークスルーを実現している。
– 標識・意味分割・センサー融合などの自動運転分野において、DNNは環境認識に重要な役割を果たしている。
– しかしながら、DNNの一般化不足は、新たなドメインへの適用に制限があることを意味しているため、新しいドメインの手動注釈は非常にコストがかかるため、自動注釈が必要である。
– この調査は、無監督ドメインアダプテーション(UDA)の手法に焦点を当て、人手による注釈を必要とせずにDNNを新しい領域に適応させる必要があるタスクを解決するために試みられたものである。
– この調査はUDAに関する最新の研究動向をカテゴライズし、説明する。また、考慮された出版物の数はこのトピックに関するどの調査よりも大きく、視覚的な比較を行い、観測結果を用いてこの分野での最新のトレンドを指摘している。
– さらに、この調査は、UDAの状況分析を行い、将来有望な研究方向を示し、科学者がDNNをより一般的にするための新しい研究方向を利用するように支援することを目的としている。

要約(オリジナル)

Deep neural networks (DNNs) have proven their capabilities in many areas in the past years, such as robotics, or automated driving, enabling technological breakthroughs. DNNs play a significant role in environment perception for the challenging application of automated driving and are employed for tasks such as detection, semantic segmentation, and sensor fusion. Despite this progress and tremendous research efforts, several issues still need to be addressed that limit the applicability of DNNs in automated driving. The bad generalization of DNNs to new, unseen domains is a major problem on the way to a safe, large-scale application, because manual annotation of new domains is costly, particularly for semantic segmentation. For this reason, methods are required to adapt DNNs to new domains without labeling effort. The task, which these methods aim to solve is termed unsupervised domain adaptation (UDA). While several different domain shifts can challenge DNNs, the shift between synthetic and real data is of particular importance for automated driving, as it allows the use of simulation environments for DNN training. In this work, we present an overview of the current state of the art in this field of research. We categorize and explain the different approaches for UDA. The number of considered publications is larger than any other survey on this topic. The scope of this survey goes far beyond the description of the UDA state-of-the-art. Based on our large data and knowledge base, we present a quantitative comparison of the approaches and use the observations to point out the latest trends in this field. In the following, we conduct a critical analysis of the state-of-the-art and highlight promising future research directions. With this survey, we aim to facilitate UDA research further and encourage scientists to exploit novel research directions to generalize DNNs better.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI