3D-DEEP：基于高程模式的三维深度学习用于道路场景理解
计算机视觉与模式识别
2021-01-28 v2
摘要
道路检测与分割是计算机视觉中安全自动驾驶的一项关键任务。鉴于此，本文描述了一个新网络架构（3D-DEEP）及其用于基于 CNN 的语义分割的端到端训练方法。该方法依赖于视差滤波和 LiDAR 投影图像以获取三维信息，并通过全卷积网络架构进行图像特征提取。所开发的模型在 Cityscapes 数据集上使用仅含 19 个不同训练类别的精细标注样本以及在 KITTI 道路数据集上进行了训练与验证。使用验证图像，针对 19 个 Cityscapes 训练类别获得了 72.32% 的平均交并比（mIoU）。另一方面，在 KITTI 数据集上，该模型在验证集上达到了 97.85% 的 F1 误差值，在测试图像上达到了 96.02%。
引用
@article{arxiv.2009.00330,
title = {3D-DEEP: 3-Dimensional Deep-learning based on elevation patterns forroad scene interpretation},
author = {A. Hernández and S. Woo and H. Corrales and I. Parra and E. Kim and D. F. Llorca and M. A. Sotelo},
journal= {arXiv preprint arXiv:2009.00330},
year = {2021}
}
备注
"This work has been accepted for publication at IEEE Intelligent Vehicle Symposium 2020"