道路车道映射进展：基于空中图像的深度学习语义分割方法进行比较式微调分析
计算机视觉与模式识别
2024-10-16 v2
摘要
本研究 addresses 自动驾驶车辆 (AVs) 所需的高清 (HD) 地图，具体聚焦于从空中图像中提取的道路车道信息。虽然地球观测数据为地图创建提供了宝贵资源，但针对道路车道提取的专业模型在遥感领域仍不成熟。本文对十二种基础深度学习语义分割模型进行了广泛比较，用于从高清遥感图像中提取道路标线，评估其在采用部分标记数据集进行迁移学习时的性能。这些模型在部分标记的 Waterloo Urban Scene 数据集上进行微调，并在 SkyScapes 数据集上进行预训练，模拟了现实场景中在部分标记情况下的模型部署。我们观察并评估了微调后的性能和整体性能。模型在微调后表现出显著的性能提升，平均 IoU 分数范围为 33.56% 到 76.11%，召回率范围为 66.0% 到 98.96%。基于 Transformer 的模型在卷积神经网络方面表现更佳，强调了在提升 AV 导航的 HD 地图开发中，模型预训练和微调的重要性。
引用
@article{arxiv.2410.05717,
title = {Advancements in Road Lane Mapping: Comparative Fine-Tuning Analysis of Deep Learning-based Semantic Segmentation Methods Using Aerial Imagery},
author = {Willow Liu and Shuxin Qiao and Kyle Gao and Hongjie He and Michael A. Chapman and Linlin Xu and Jonathan Li},
journal= {arXiv preprint arXiv:2410.05717},
year = {2024}
}