计算机科学>计算机视觉和模式识别
标题: 缩小多代理感知的领域差距
摘要: 现有的多智能体感知算法通常选择在智能体之间共享从原始感知数据中提取的深层神经特征,从而在准确性和通信带宽限制之间取得平衡。 然而,这些方法假设所有代理都具有相同的神经网络,这在现实世界中可能并不实用。 当模型不同时,传输的特征可能有很大的领域差距,导致多智能体感知的性能急剧下降。 在本文中,我们提出了第一个轻量级框架,用于弥补多代理感知领域的空白,它可以作为大多数现有系统的插件模块,同时保持机密性。 我们的框架由一个可学习的特征大小调整器和一个稀疏的跨域变换器组成,用于在多个维度上对齐特征。 在公共多智能体感知数据集V2XSet上的大量实验表明,我们的方法可以有效地弥补不同领域特征之间的差距,并且在基于点云的三维对象检测方面显著优于其他基线方法至少8%。