CARLANE : Un benchmark pour la détection de voies pour l’adaptation de domaine non supervisée de la simulation à plusieurs domaines du monde réel

L’adaptation de domaine non supervisée montre un grand potentiel pour atténuer les décalages entre domaines en transférant des modèles depuis des domaines source étiquetés vers des domaines cibles non étiquetés. Bien que cette approche ait été appliquée à une large variété de tâches complexes de vision par ordinateur, très peu de travaux se concentrent sur la détection de lignes de circulation pour les véhicules autonomes. Cette situation peut être attribuée au manque de jeux de données accessibles publiquement. Afin de favoriser la recherche dans ces directions, nous proposons CARLANE, un benchmark d’adaptation de domaine sim-to-real à trois voies pour la détection 2D de lignes. CARLANE intègre les jeux de données à cible unique MoLane et TuLane, ainsi que le jeu de données à multiples cibles MuLane. Ces jeux de données sont construits à partir de trois domaines distincts, couvrant une grande diversité de scènes, et comptent au total 163 000 images uniques, dont 118 000 sont annotées. En outre, nous évaluons et présentons des bases systématiques, incluant notre propre méthode, fondée sur l’apprentissage auto-supervisé prototypique à travers les domaines. Nous constatons que les taux de faux positifs et de faux négatifs des méthodes d’adaptation de domaine évaluées sont élevés par rapport à ceux des méthodes entièrement supervisées. Cela souligne la nécessité de benchmarks comme CARLANE pour renforcer davantage la recherche en adaptation de domaine non supervisée pour la détection de lignes. CARLANE, tous les modèles évalués ainsi que leurs implémentations correspondantes sont disponibles publiquement à l’adresse suivante : https://carlanebenchmark.github.io.