针对恶劣天气语义分割的双阶段方法：用于 WeatherProof 挑战 CVPR 2024 工作坊 UG2+
计算机视觉与模式识别
2024-07-12 v2
摘要
本技术报告介绍了我们团队为 WeatherProof 数据集挑战（CVPR'24 UG2+）解决方案。我们提出了一个双阶段深度学习框架来解决该任务。在第一个阶段，我们通过将图像拼接为视频序列来预处理提供的数据集。随后，我们利用低秩视频去雨方法生成高保真伪 ground truth。这些伪 ground truth 相对于原始 ground truth 对齐性更好，促进训练期间的模型收敛。在第二个阶段，我们采用 InternImage 网络使用生成的伪 ground truth 对语义分割任务进行训练。值得注意的是，我们精心设计的框架在应对恶劣天气条件下捕获的数据方面表现出色。在本次挑战中，我们的解决方案在 Mean Intersection over Union (mIoU) 指标上取得了0.43的竞争成绩，排名稳居第4位。
引用
@article{arxiv.2406.05513,
title = {A Two-Stage Adverse Weather Semantic Segmentation Method for WeatherProof Challenge CVPR 2024 Workshop UG2+},
author = {Jianzhao Wang and Yanyan Wei and Dehua Hu and Yilin Zhang and Shengeng Tang and Kun Li and Zhao Zhang},
journal= {arXiv preprint arXiv:2406.05513},
year = {2024}
}