前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >最新综述:激光雷达感知深度的域适应方法

最新综述:激光雷达感知深度的域适应方法

作者头像
3D视觉工坊
发布2021-07-29 14:33:58
7810
发布2021-07-29 14:33:58
举报
文章被收录于专栏:3D视觉从入门到精通

arXiv在2021年6月上传的综述论文“A Survey on Deep Domain Adaptation for LiDAR Perception“。

为了实现规模化自动驾驶,需要一个高效的考虑域漂移的方法。这个不是针对视觉感知,而是激光雷达感知的域适应方法回顾。

域适应(DA)是迁移学习(TL)的特例,一种transductive方法,是无监督。域适应可以细分如下:根据学习过程中考虑的类发布而定,分5种(来源于“Unsupervised Domain Adaptation in Semantic Segmentation: a Review”)

  • Closed Set DA, 所有类在source domain 和 target domain出现。
  • Partial DA, 只有source domain 的一部分类出现在 target domain。
  • Open Set DA,完全没有共享类。
  • Open-Partial DA,共享和独特类都有。
  • Boundless DA 是Open Set DA,其中所有目标域的类可以逐个学习。

最常见的baseline是entropy minimization方法,其他还有CyCADA,FeaDA和OutDA。

大多数工作的数据集是KITTI, SemanticKITTI, nuScenes, SemanticPOSS, 和 A2D2。

DA的use case:模拟器的采用产生一个新类DA方法 sim-to-real DA;还有geography-to-geography DA,weather-to-weather DA,day-to-night DA(相比摄像头,这种变化不大),sensor-to-sensor DA(姿态设置和内部参数)和 dataset-to-dataset DA。

如下是激光雷达感知的DA分类:基本分数据驱动和模型驱动两个方向

domain-invariant representation方法如图:hand-crafted方法,针对sensor-to-sensor domain shift,做数据预处理,包括Sampling Alignment in 2D Space和Geometric Representation in 3D Space。

Domain mapping方法如图:主要是sim-to-real 和 dataset-to-dataset DA,域数据迁移,包括Adversarial Domain Mapping和Non-Adversarial Domain Mapping。

domain-invariant feature learning方法如图:基本是两个原则的方法分类,Divergence Minimization和Discriminator-based 方法。

还有Normalization Statistics及其他方法:在DNN,normalization layers 改进训练收敛性,主要通过对训练数据分布校准(Distribution alignment),这样控制内部covariate shift 和梯度尺度;不过,在图像域有效的方法,即通过每个域不同的batch norm statistics对初始pseudo-labels迭代细化,对激光雷达域的效果没有实验验证过。

最后,文章总结了激光雷达DA面临的主要挑战:

1.Comparability and Transfer from other Modalities:缺乏基准和测度,有些采用图像域的方法做基准。

2.Discrepancies in Domain Gap Quality:测度是model-specific 和 task-specific,但是目前sensor-to-sensor domain gap不好处理。

3.Relevance of Cross-Sensor Adaptation:需要开发sensor-invariant perception systems,建立domain-invariant data representation。

4.Adaptation in Different Weather Scenarios:需要adverse weather scenarios 的数据,这样才可以实现weather-to-weather DA。

5.Generative Models for Domain Translation:adversarial domain mapping方法有限,generative models方法研究不够。

6.Open-Partial Domain Adaptation:好多是研究dataset-to-dataset DA,可是标注类往往不同,这样的问题就是Open-Partial DA,一般是采用label mapping 策略,就转化成为 Closed Set DA 问题来求解。

本文仅做学术分享,如有侵权,请联系删文。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2021-07-28,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 3D视觉工坊 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档