自动驾驶中语义分割鲁棒性的自动化评估
计算机视觉与模式识别
2019-04-17 v1
摘要
为自动驾驶车辆设计感知系统的基本挑战之一，是在全面多样的运行条件下验证各算法的性能。对于基于视觉的语义分割，在遇到与训练数据差异足够大的新场景时存在已知问题。此外，即便光照和降水等环境条件发生微小变化，也会影响分割模型的分类性能。鉴于对视觉信息的依赖，这些影响常转化为较差的语义像素分类，在自动驾驶时可能导致灾难性后果。本文提出一种分析语义分割模型鲁棒性的新方法，并提供若干度量指标以评估多种环境条件下的分类性能。该过程引入额外传感器（lidar）以实现流程自动化，消除了对验证数据进行费力手工标注的需求。由于视觉传感器性能是针对不同传感器模态进行验证的，系统完整性可得以监控。这对于检测视觉技术固有的故障是必要的。基于在不同季节、不同环境条件下收集的多个数据集给出了实验结果。这些结果表明，语义分割性能随天气、相机参数、阴影存在与否等而变化。结果还展示了如何利用这些度量指标在改进模型后比较并验证性能，以及比较不同网络的性能。
引用
@article{arxiv.1810.10193,
title = {Automated Evaluation of Semantic Segmentation Robustness for Autonomous Driving},
author = {Wei Zhou and Julie Stephany Berrio and Stewart Worrall and Eduardo Nebot},
journal= {arXiv preprint arXiv:1810.10193},
year = {2019}
}