自动驾驶系统中鱼眼图像语义分割的可适应可变形卷积
计算机视觉与模式识别
2021-02-23 v1
摘要
高级驾驶辅助系统严重依赖感知任务（如语义分割），其中图像由大视场（FoV）相机捕获。最先进的研究在将卷积神经网络（CNN）应用于标准（直线投影）图像方面取得了显著进展。然而，自动驾驶车辆使用的大视场相机会产生具有强烈几何畸变的鱼眼图像。本工作表明，在标准图像上训练的CNN可轻松适配鱼眼图像，这在实际应用中至关重要，因为必须避免耗时的实时数据变换。我们的适配方案主要依赖于在已有层之上使用可变形等价形式修改卷积的支撑域。我们证明，调优最优支撑域仅需少量标注鱼眼图像，因为少量训练样本即足以显著提升现有模型在广角图像上的性能。此外，我们表明一旦可变形分量被学习，微调网络权重对于实现高性能并非必要。最后，我们深入分析了可变形卷积的效果，为CNN模型的行为提供了讨论要素。
引用
@article{arxiv.2102.10191,
title = {Adaptable Deformable Convolutions for Semantic Segmentation of Fisheye Images in Autonomous Driving Systems},
author = {Clément Playout and Ola Ahmad and Freddy Lecue and Farida Cheriet},
journal= {arXiv preprint arXiv:2102.10191},
year = {2021}
}
备注
10 pages, 4 figures