面向损坏道路低分辨率图像语义分割的性能提升策略
计算机视觉与模式识别
2024-11-26 v1
摘要
自动驾驶需要良好道路，但巴西 85% 的道路存在损坏，深度学习模型可能无法正确识别语义分割数据集，因为大多数语义分割数据集针对的是高分辨率、维护良好的城市道路。代表性数据集用于新兴国家由低分辨率图像构成，图像来源于维护不良的道路，并包含损伤类别标签；在此情境下，存在三个挑战：对象像素数极少、对象形状不明确以及类别高度不平衡。为解决这些挑战，本文提出语义分割性能提升策略（PISSS），作为包含 14 个训练实验的方法论，以提升性能。通过 PISSS，我们在 Road Traversing Knowledge (RTK) 和 Technik Autonomer Systeme 500 (TAS500) 测试集上分别实现了 79.8 和 68.8 mIoU 的最新成果。此外，我们还对 DeepLabV3+ 在小目标分割中的缺陷进行分析。
关键词
引用
@article{arxiv.2411.16295,
title = {A Performance Increment Strategy for Semantic Segmentation of Low-Resolution Images from Damaged Roads},
author = {Rafael S. Toledo and Cristiano S. Oliveira and Vitor H. T. Oliveira and Eric A. Antonelo and Aldo von Wangenheim},
journal= {arXiv preprint arXiv:2411.16295},
year = {2024}
}