In this paper, we focus on a less explored, but more realistic and complex problem of domain adaptation in LiDAR semantic segmentation. There is a significant drop in performance of an existing segmentation model when training (source domain) and testing (target domain) data originate from different LiDAR sensors. To overcome this shortcoming, we propose an unsupervised domain adaptation framework that leverages unlabeled target domain data for self-supervision, coupled with an unpaired mask transfer strategy to mitigate the impact of domain shifts. Furthermore, we introduce gated adapter modules with a small number of parameters into the network to account for target domain-specific information. Experiments adapting from both real-to-real and synthetic-to-real LiDAR semantic segmentation benchmarks demonstrate the significant improvement over prior arts.


翻译:在本文中,我们侧重于在LiDAR 语义分割法中较少探索、但更现实和复杂的域适应问题。当培训(源域)和测试(目标域)数据来自不同的LiDAR传感器时,现有区块模型的性能显著下降。为了克服这一缺陷,我们建议建立一个不受监督的域块适应框架,利用无标签目标域数据进行自我监督,并辅之以一个无标签的遮罩传输战略,以减轻域转移的影响。此外,我们还在网络中引入了带少量参数的锁定适配器模块,以计算特定域信息。从真实到真实和合成到真实的LiDAR 语义分割基准进行的实验表明比以前的艺术有了重大改进。

0
下载
关闭预览

相关内容

专知会员服务
35+阅读 · 2021年7月7日
【Google】监督对比学习,Supervised Contrastive Learning
专知会员服务
74+阅读 · 2020年4月24日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
无人机视觉挑战赛 | ICCV 2019 Workshop—VisDrone2019
PaperWeekly
7+阅读 · 2019年5月5日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
ResNet, AlexNet, VGG, Inception:各种卷积网络架构的理解
全球人工智能
19+阅读 · 2017年12月17日
Arxiv
13+阅读 · 2021年3月29日
Revisiting CycleGAN for semi-supervised segmentation
Arxiv
3+阅读 · 2019年8月30日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员