频频犯错的无人车，可能缺了一个“域适应”

无人车的域自适应性学习也是同样的逻辑：先利用已有的标注数据进行初始化学习，然后在大量未标注的数据中不断依据先验知识进行样本挖掘，以增量地学习模型和适配未标注数据，从而在陌生的道路环境中也能表现良好地完成学习任务。

目前看来，域自适应性学习也是完成无人驾驶视觉任务成本效益较高的方式。

新的算法还在路上

既然“域适应”对于无人驾驶来说如此重要，那么目前究竟有哪些比较值得一览的算法呢?

目前看来，由于无人驾驶任务自身的复杂性，往往需要 从多数据源向目标域进行迁移学习，这就必须考虑两个难题：

• 一是多种源域数据本身之间具有偏差，比如伯克利的数据集BDD100K覆盖了不同的时间、光照、天气和地理位置，甚至包含了GPS和IMU以及对应的时间戳信息;
• 二是多种源域数据间类别存在偏差。比如滴滴D²-City数据集中，将注释了包围框和跟踪ID的道路对象分为12个不同的类别，而伯克利的数据集BDD100K中的GT框标签则只有10个类别。

这些都对算法性能提出了不少挑战。在此，我们不妨列举几个具有代表性的算法，看看他们是如何解决无人驾驶相关技术难题的：

1.自适应曝光算法。

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!