关于领域对抗性监督在跨传感器6D姿态估计中的放置效果

《IEEE Women in Engineering Magazine》：On the Effect of Domain-Adversarial Supervision Placement for Cross-Sensor 6D Pose Estimation

　　

摘要：

领域对抗训练是减轻深度学习中领域偏移的一种常见方法，然而诸如对抗性监督的放置等架构设计选择通常是基于启发式的。我们提出了一种系统的实证评估方法，研究了基于梯度反转的领域对抗训练在跨传感器6D姿态估计中的应用，重点关注了在多模态红、绿、蓝（RGB）点云融合网络中领域分类头的放置。使用简化的双向RGB-点云融合网络，我们在多个深度上评估了领域分类头的放置情况，包括特定于模态的编码器和中间融合阶段，并在严格的多源训练协议下进行评估，且不使用目标领域数据。实验在受控的合成数据集上进行，每种配置进行多次运行，并通过真实的跨传感器RGB-D评估进行补充。在所有设置中，领域分类头放置之间的性能差异主要由运行间的变异性决定，没有任何一种放置方式具有统计学上的显著优势。真实世界的实验也显示出类似的微小差异，并且在质量上与合成结果一致。这些发现表明，对于所研究的架构而言，基于梯度反转的领域对抗训练对领域分类头的精确放置基本上不敏感，这表明早期和晚期集成都是可行的设计选择。这种鲁棒性为网络设计提供了实际的灵活性，支持在不同放置方式下的可重复评估，并为未来可以结合对抗性监督的补充适应机制的研究提供了动力。