elib
DLR-Header
DLR-Logo -> http://www.dlr.de
DLR Portal Home | Impressum | Datenschutz | Kontakt | English
Schriftgröße: [-] Text [+]

Domain Adaptation and Generalization: A Low-Complexity Approach

Niemeijer, Joshua und Schäfer, Jörg P. (2022) Domain Adaptation and Generalization: A Low-Complexity Approach. Conference on Robot Learning (CoRL) 2022, 2022-12-14 - 2022-12-18, Auckland, New Zealand. ISSN 26403498.

[img] PDF - Nur DLR-intern zugänglich
24MB

Offizielle URL: https://proceedings.mlr.press/v205/niemeijer23a.html

Kurzfassung

Well-performing deep learning methods are essential in today's perception of robotic systems such as autonomous driving vehicles. Ongoing research is due to the real-life demands for robust deep learning models against numerous domain changes and cheap training processes to avoid costly manual-labeling efforts. These requirements are addressed by unsupervised domain adaptation methods, in particular for synthetic to real-world domain changes. Recent top-performing approaches are hybrids consisting of multiple adaptation technologies and complex training processes. In contrast, this work proposes EasyAdap, a simple and easy-to-use unsupervised domain adaptation method achieving near state-of-the-art performance on the synthetic to real-world domain change. Our evaluation consists of a comparison to numerous top-performing methods, and it shows the competitiveness and further potential of domain adaptation and domain generalization capabilities of our method. We contribute and focus on an extensive discussion revealing possible reasons for domain generalization capabilities, which is necessary to satisfy real-life application's demands.

elib-URL des Eintrags:https://elib.dlr.de/192935/
Dokumentart:Konferenzbeitrag (Vortrag)
Titel:Domain Adaptation and Generalization: A Low-Complexity Approach
Autoren:
AutorenInstitution oder E-Mail-AdresseAutoren-ORCID-iDORCID Put Code
Niemeijer, JoshuaJoshua.Niemeijer (at) dlr.dehttps://orcid.org/0000-0002-2417-8749NICHT SPEZIFIZIERT
Schäfer, Jörg P.Joerg.Schaefer (at) dlr.dehttps://orcid.org/0000-0002-9985-5169166620286
Datum:Dezember 2022
Referierte Publikation:Ja
Open Access:Nein
Gold Open Access:Nein
In SCOPUS:Nein
In ISI Web of Science:Nein
ISSN:26403498
Status:veröffentlicht
Stichwörter:unsupervised domain adaptation, semantic segmentation, domain generalization
Veranstaltungstitel:Conference on Robot Learning (CoRL) 2022
Veranstaltungsort:Auckland, New Zealand
Veranstaltungsart:internationale Konferenz
Veranstaltungsbeginn:14 Dezember 2022
Veranstaltungsende:18 Dezember 2022
HGF - Forschungsbereich:Luftfahrt, Raumfahrt und Verkehr
HGF - Programm:Verkehr
HGF - Programmthema:Straßenverkehr
DLR - Schwerpunkt:Verkehr
DLR - Forschungsgebiet:V ST Straßenverkehr
DLR - Teilgebiet (Projekt, Vorhaben):V - KoKoVI - Koordinierter kooperativer Verkehr mit verteilter, lernender Intelligenz
Standort: Berlin-Adlershof , Braunschweig
Institute & Einrichtungen:Institut für Verkehrssystemtechnik
Institut für Verkehrssystemtechnik > Kooperative Systeme, BS
Institut für Verkehrssystemtechnik > Kooperative Systeme, BA
Hinterlegt von: Niemeijer, Joshua
Hinterlegt am:10 Jan 2023 10:02
Letzte Änderung:02 Sep 2024 09:26

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags

Blättern
Suchen
Hilfe & Kontakt
Informationen
electronic library verwendet EPrints 3.3.12
Gestaltung Webseite und Datenbank: Copyright © Deutsches Zentrum für Luft- und Raumfahrt (DLR). Alle Rechte vorbehalten.