Aerial LaneNet：基于小波增强代价敏感对称全卷积神经网络的航拍影像车道线语义分割
计算机视觉与模式识别
2019-08-26 v2
摘要
关于车道线的位置和外观的知识是创建高精度地图的前提，这对于自动驾驶、基础设施监测、分车道交通管理以及城市规划是必不可少的。车道线是此类地图的重要组成部分之一。车道线向驾驶员传达道路规则。虽然人类可以学习这些规则，但自动驾驶车辆必须被教会学习它们以实现自身定位。因此，为了实现这些目标，需要对道路和高速公路影像进行准确可靠的车道线语义分割。我们通过引入一个航拍车道线数据集，使用能够在短时间内捕获大范围区域的航拍影像。在本工作中，我们提出了一种由小波变换增强的对称全卷积神经网络，以在航拍影像中自动执行车道线分割。由于与背景像素相比，车道线像素数量存在严重不平衡问题，我们使用了定制的损失函数以及一种新型的数据增强步骤。在不使用第三方信息的情况下，我们在车道线的逐像素定位中实现了非常高的精度。在本工作中，我们引入了用于实验的首个高质量数据集，该数据集包含代表当前交通系统的广泛场景和车道线类别。该数据集将公开发布，因此可作为该领域未来算法的基准数据集。
引用
@article{arxiv.1803.06904,
title = {Aerial LaneNet: Lane Marking Semantic Segmentation in Aerial Imagery using Wavelet-Enhanced Cost-sensitive Symmetric Fully Convolutional Neural Networks},
author = {Seyed Majid Azimi and Peter Fischer and Marco Körner and Peter Reinartz},
journal= {arXiv preprint arXiv:1803.06904},
year = {2019}
}
备注
IEEE TGRS 2018 - Accepted