La compréhension des nuages de points 3D capturés par les capteurs LiDAR est essentielle à larobustesse de la conduite autonome et de la robotique. Les réseaux neuronaux profonds atteignentdes performances de pointe, mais dépendent de données annotées manuellement coûteuses etne se généralisent typiquement pas correctement à d'autres domaines : Des changements dansles motifs LiDAR ou les conditions d’acquisition peuvent fortement réduire les performances. Cettethèse aborde la tâche d'adaptation au domaine qui consiste à surmonter les difficultés causées parces changements de domaine dans trois co textes : (1) Adaptation au domaine sans supervision -encourager des caractéristiques invariantes du domaine par le biais d'une tâche d'estimation im-plicite de l'occupation. (2) Adaptation multimodale (paires LiDAR-image synchronisées) - identifierles ingrédients clés pour tirer parti avec succès de la distillation d'un modèle préexistant de visionpour cette tâche. (3) Adaptation au domaine sans supervision et sans source - prévenir la perte deperformance par une adaptation régularisée et un critère d'arrêt non supervisé.
Björn Michele (Mon,) studied this question.