利用路侧相机进行道路分割的标签校正
机器人学
2025-05-02 v2 人工智能
摘要
在所有天气条件下可靠的道路分割对于智能交通系统、自动驾驶和高级驾驶辅助系统至关重要。为了获得稳健的性能，训练数据应包含各种天气条件。然而，收集和标注此类数据集需要大量资源。本文利用现有的路侧相机基础设施，自动收集不同天气条件下的道路数据。此外，提出了一种针对路侧相机的新型半自动标注方法。对于每台相机，仅手动标注一帧，然后将标签转移到该相机拍摄的其他帧。通过频域图像配准来补偿帧间微小的相机运动。该方法在芬兰冬季四个月期间从927个路侧相机收集的数据上进行了验证。使用半自动标注数据训练多个深度学习分割模型，其分割性能均得到提升。在两个不同的数据集上进行了测试，以评估模型的鲁棒性：一个为域内路侧相机数据集，另一个为使用车载相机捕获的域外数据集。
关键词
引用
@article{arxiv.2501.17982,
title = {Belief Roadmaps with Uncertain Landmark Evanescence},
author = {Erick Fuentes and Jared Strader and Ethan Fahnestock and Nicholas Roy},
journal= {arXiv preprint arXiv:2501.17982},
year = {2025}
}