強化されたターゲットデータ学習に基づくクロスドメイン自律走行視覚セグメンテーション

情報通信技術（ICT）の広範な文脈の中で、信頼性が高くスケーラブルな視覚セグメンテーション手法の探求は重要な課題を提起します。特に自律走行においては、現実世界のシーンの複雑さが高度な解決策を要求します。データ不足に対応し、セグメンテーション性能を向上させるために、ターゲットドメイン学習を強化する新しい無監視ドメイン適応（UDA）アプローチを提案します。私たちの方法は、ターゲットドメイン内の空間的文脈を活用して認識を向上させるために、複数の摂動の一貫性を導入します。入力および特徴レベルで摂動を適用し、一貫性損失を使用することで、文脈学習を強化します。さらに、重みマッピング技術は、有害なソースドメイン情報の影響を減少させます。実験結果は、私たちのアプローチがGTAV → CityscapesおよびSYNTHIA → Cityscapesデータセットにおいてベースライン手法を上回ることを示しています。”},{