一、学术报告题目：面向复杂交通场景的语义分割关键技术研究
二、报告人：田海韬
三、报告时间：2022年6月10日9：30-10：30
四、报告地点：腾讯会议：213-838-559
五、报告内容简介
近些年提出的深度全卷积语义分割模型虽然在公开数据集上展现了极强的性能优势，但对于自动驾驶、机器人导航等这种需要在不断变化的交通场景下运行的应用，经过训练的网络必须处理较大的街景差异，往往在新场景中需要使用大量像素标记数据进行重新训练才能完成迁移视觉知识的迁移。但是，收集大量街景数据并且完成标记非常耗时并且需要大量人力成本，这使得有监督训练的深度模型在实际交通图像处理场景应用中表现出了明显的局限性。基于以上背景，目前的论文工作主要基于卷积神经网络和迁移学习的经典方法去解决交通场景语义理解中标签数据依赖性强和模型泛化性能差等问题。基于跨城市域（街景图像分布）情况下的数据分布差异这一现象，提出了通过学习域适应方法的不变表示以消除域间分布差异，并有效应用于道路交通图像的语义分割自适应任务中的具体方法。
六、报告人简介
田海韬，我院2017级在读博士研究生，师从曲仕茹教授，主要研究方向：深度学习与迁移学习，交通场景理解中的域适应问题等。
