备注：研究方向 地点 学校/公司 昵称，更快通过申请，长按加细分领域技术交流群，目前有细分领域：图像分割、图像目标检测、论文写作、车道检测、模型优化、目标跟踪、SLAM、点云处理（分割检测）、深度学习。
论文地址： http://arxiv.org/pdf/2111.07971v1.pdf
来源： NVIDIA, University of Toronto
论文名称：Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation
原文作者：David Acuna
内容提要
自动驾驶依赖于大量真实数据来进行高精度的标注。替代解决方案试图利用驾驶模拟器生成大量带有变化内容的标签数据。然而，合成数据和真实数据之间的领域差距仍然存在，这就提出了以下重要的问题：利用自动驾驶模拟器进行感知任务的最佳方式是什么？本文中，我们在领域适应理论的最新进展的基础上，并从这个角度提出了减少现实差距的方法。我们主要关注标签在合成领域的使用。本文方法既介绍了学习神经不变表示的原则方法，也介绍了关于如何从模拟器中采样数据的理论启发观点。本文方法不受网络架构和模拟器选择的影响，很容易在实践中实现。我们使用开源模拟器(CARLA)在鸟瞰车辆分割任务中，基于多传感器数据(相机、激光雷达)展示了我们的方法，并在真实数据集(nuScenes)上评估了整个框架。最后，我们展示了在使用驾驶模拟器进行训练时，哪些类型的变化(如天气条件、资产数量、地图设计和颜色多样性)会对感知网络产生影响，以及哪些变化可以用我们的领域适应技术进行补偿。
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有
分享最新的CVPR、ECCV、ICCV、IROS等人工智能论文，关注深度学习、自动驾驶领域。
