來源 | 知乎專欄(黃浴）

arXiv在2021年6月上傳的綜述論文“A Survey on Deep Domain Adaptation for LiDAR Perception“。

為了實現規模化自動駕駛，需要一個高效的考慮域漂移的方法。這個不是針對視覺感知，而是激光雷達感知的域適應方法回顧。

域適應（DA）是遷移學習（TL）的特例，一種transductive方法，是無監督。域適應可以細分如下：根據學習過程中考慮的類發布而定，分5種（來源于“Unsupervised Domain Adaptation in Semantic Segmentation: a Review”）

• Closed Set DA, 所有類在source domain 和 target domain出現。
• Partial DA, 只有source domain 的一部分類出現在 target domain。
• Open Set DA，完全沒有共享類。
• Open-Partial DA，共享和獨特類都有。
• Boundless DA 是Open Set DA，其中所有目標域的類可以逐個學習。

最常見的baseline是entropy minimization方法，其他還有CyCADA，FeaDA和OutDA。

大多數工作的數據集是KITTI, SemanticKITTI, nuScenes, SemanticPOSS, 和 A2D2。

DA的use case：模擬器的采用產生一個新類DA方法 sim-to-real DA；還有geography-to-geography DA，weather-to-weather DA，day-to-night DA（相比攝像頭，這種變化不大），sensor-to-sensor DA（姿態設置和內部參數）和 dataset-to-dataset DA。

如下是激光雷達感知的DA分類：基本分數據驅動和模型驅動兩個方向

domain-invariant representation方法如圖：hand-crafted方法，針對sensor-to-sensor domain shift，做數據預處理，包括Sampling Alignment in 2D Space和Geometric Representation in 3D Space。

Domain mapping方法如圖：主要是sim-to-real 和 dataset-to-dataset DA，域數據遷移，包括Adversarial Domain Mapping和Non-Adversarial Domain Mapping。

domain-invariant feature learning方法如圖：基本是兩個原則的方法分類，Divergence Minimization和Discriminator-based 方法。

還有Normalization Statistics及其他方法：在DNN，normalization layers 改進訓練收斂性，主要通過對訓練數據分布校準（Distribution alignment），這樣控制內部covariate shift 和梯度尺度；不過，在圖像域有效的方法，即通過每個域不同的batch norm statistics對初始pseudo-labels迭代細化，對激光雷達域的效果沒有實驗驗證過。

最后，文章總結了激光雷達DA面臨的主要挑戰：

1.Comparability and Transfer from other Modalities：缺乏基準和測度，有些采用圖像域的方法做基準。

2.Discrepancies in Domain Gap Quality：測度是model-specific 和 task-specific，但是目前sensor-to-sensor domain gap不好處理。

3.Relevance of Cross-Sensor Adaptation：需要開發sensor-invariant perception systems，建立domain-invariant data representation。

4.Adaptation in Different Weather Scenarios：需要adverse weather scenarios 的數據，這樣才可以實現weather-to-weather DA。

5.Generative Models for Domain Translation：adversarial domain mapping方法有限，generative models方法研究不夠。

6.Open-Partial Domain Adaptation：好多是研究dataset-to-dataset DA，可是標注類往往不同，這樣的問題就是Open-Partial DA，一般是采用label mapping 策略，就轉化成為 Closed Set DA 問題來求解。