ドメインランダマイゼーションとピラミッド一貫性：ターゲットドメインデータにアクセスせずにシミュレーションから実世界への汎化

我々は、実世界の自動運転シーンの意味分割にシミュレーションの可能性を活用することを提案します。この分割ネットワークは、目標ドメインのデータを使用せずに訓練され、未見の目標ドメインでテストされます。この目的のために、我々は高汎化性能を持つモデルを学習するための新しいドメインランダマイゼーションとピラミッド一貫性の手法を提案します。まず、補助データセットを使用して、視覚的な外観に関して実画像のスタイルで合成画像をランダム化することを提案します。これにより、ドメイン不変表現を効果的に学習することが可能になります。次に、異なる「スタイライズされた」画像間および同一画像内でピラミッド一貫性を強制することで、それぞれドメイン不変かつスケール不変な特徴量を学習します。多数の実験がGTAとSYNTHIAからCityscapes、BDDSおよびMapillaryへの汎化について行われました。そして、我々の方法は最先端技術よりも優れた結果を得ています。特に、トレーニング時に目標ドメインデータにアクセスする最先端のシミュレーションから実際へのドメイン適応手法によって得られた結果と同等かそれ以上の汎化性能を達成しています。