联合卷积神经网络与上下文迁移的街道场景标注方法
计算机视觉与模式识别
2019-05-07 v1
摘要
街道场景理解是自动驾驶中的一项重要任务。朝此方向迈进的重要一步是场景标注，即为图像中每个像素标注正确的类别标签。尽管已提出许多方法，但仍存在一些弱点。首先，许多方法基于手工特征，其图像表示能力有限。其次，由于数据集偏差，它们无法准确标注前景物体。第三，在细化阶段，传统的马尔可夫随机场（MRF）推断易于过度平滑。为改善上述问题，本文提出一种超像素级先验卷积神经网络（称为“priori s-CNNs”）与软受限上下文迁移的联合方法。我们的贡献有三方面：（1）提出一种在超像素级学习先验位置信息的 priori s-CNNs 模型，以区分性描述各类物体；（2）提出一种分层数据增强方法，以缓解 priori s-CNNs 训练阶段的数据集偏差，显著改善前景物体标注；（3）定义一种软受限 MRF 能量函数，在提升 priori s-CNNs 模型标注性能的同时减少过度平滑。所提方法在 CamVid 数据集（11 类）和 SIFT Flow Street 数据集（16 类）上得到验证，并取得了具有竞争力的性能。
引用
@article{arxiv.1905.01574,
title = {A Joint Convolutional Neural Networks and Context Transfer for Street Scenes Labeling},
author = {Qi Wang and Junyu Gao and Yuan Yuan},
journal= {arXiv preprint arXiv:1905.01574},
year = {2019}
}
备注
IEEE T-ITS 2018