一种基于可靠性引导的无监督领域适应框架，用于在恶劣驾驶条件下实现鲁棒的语义分割 作者：Nan Xia 和 Guoqing Hu

《Applied Sciences》：A Reliability-Guided Unsupervised Domain Adaptation Framework for Robust Semantic Segmentation Under Adverse Driving Conditions Nan Xia and Guoqing Hu

　　

推荐应用

所提出的基于可靠性的自训练框架可以应用于在恶劣环境条件下运行的自动驾驶感知系统中的语义分割模块。该方法无需目标域注释即可提高系统的鲁棒性和适应稳定性，从而支持在现实世界适应场景中的可靠场景理解，并降低智能感知系统的数据收集和标注成本。

摘要

恶劣天气和低光照仍然是自动驾驶感知面临的主要挑战，在这些情况下，语义分割必须保持可靠性，即使外观质量严重下降。在无目标注释的自主领域适应过程中，自训练被广泛使用，但通常受到样本、区域和训练阶段之间生成的伪标签质量不一致的限制。本文提出了RaDA，这是一种具有可靠性意识的自训练框架，它在三个层面对伪监督进行调控。首先，通过渐进式曝光策略确定哪些目标图像被用于训练；其次，空间可靠性加权抑制了来自退化区域的梯度，同时保留了有用的监督信息；第三，自适应的教师更新调度使伪标签生成更加稳定。在真实世界的恶劣驾驶基准测试中，实验表明RaDA在鲁棒性、训练稳定性和跨数据集泛化能力方面均优于现有最佳方法。与之前的最先进方法MIC相比，RaDA在Foggy Zurich基准测试中的mIoU提高了10.6个百分点，在Foggy Driving基准测试中提高了8.8个百分点。这些结果表明，明确的可靠性调控可以增强自动驾驶中语义分割的自训练领域适应能力，以应对具有挑战性的环境条件。