最新综述：激光雷达感知深度的域适应方法-技术圈

最新综述：激光雷达感知深度的域适应方法

目标检测与深度学习

共 2404字，需浏览 5分钟

· 2021-08-22

点击左上方蓝字关注我们

一个专注于目标检测与深度学习知识分享的公众号

编者荐语

在迁移学习中，当源域和目标的数据分布不同，但两个任务相同时，这种特殊的迁移学习叫做域适应（Domain Adaptation）。

作者丨黄浴@知乎

链接丨https://zhuanlan.zhihu.com/p/393208234

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。

END

双一流大学研究生团队创建，专注于目标检测与深度学习，希望可以将分享变成一种习惯！

整理不易，点赞三连↓