无监督的域适应性通过将模型从标记的源域转移到未标记的目标域来证明减轻域移动的巨大潜力。尽管无监督的域适应已应用于各种复杂的视力任务,但只有很少的作品专注于自动驾驶的车道检测。这可以归因于缺乏公开可用的数据集。为了促进这些方向的研究,我们提出了Carlane,Carlane是用于2D车道检测的3条SIM到真实域的适应基准。 Carlane包括单目标数据集Molane和Tulane以及多目标数据集Mulane。这些数据集由三个不同的域构建,这些域涵盖了不同的场景,并包含163K唯一图像,其中118K被注释。此外,我们评估和报告系统的基线,包括我们自己的方法,这些方法基于典型的跨域自学学习。我们发现,与完全监督的基线相比,评估域适应方法的假阳性和假阴性率很高。这肯定了对卡莱恩等基准的必要性,以进一步加强无监督的领域适应道的研究。 Carlane,所有评估的模型和相应的实现都可以在https://carlanebench.github.io上公开获得。
translated by 谷歌翻译