用于地平线/天空线检测的语义分割方法比较
计算机视觉与模式识别
2018-05-22 v1
摘要
地平线或天空线检测对于山地视觉地理定位起着至关重要的作用，然而最近提出的大多数视觉地理定位方法依赖于\textbf{用户参与回路}的天空线检测方法。完全自主地检测这样的分割边界无疑将是这些定位方法向前迈出的一步。本文在大规模数据集上对四种用于自主地平线/天空线检测的方法进行了定量比较。具体而言，我们对四种最近提出的分割方法进行比较：第一种明确针对地平线检测问题\cite{Ahmad15}，第二种聚焦于视觉地理定位但依赖于天空线的精确检测\cite{Saurer16}，另外两种为通用语义分割方法——全卷积网络（FCN）\cite{Long15}和SegNet\cite{Badrinarayanan15}。前两种方法各自在一个由约200幅图像组成的通用训练集\cite{Baatz12}上训练，而第三和第四种方法的模型通过使用同一数据集的迁移学习对天空分割问题进行了微调。每种方法都在一个大规模测试集（约3K图像）上进行测试，该测试集涵盖各种具有挑战性的地理、天气、光照和季节条件。我们给出了每种所提公式的平均准确率和平均绝对像素误差。
引用
@article{arxiv.1805.08105,
title = {Comparison of Semantic Segmentation Approaches for Horizon/Sky Line Detection},
author = {Touqeer Ahmad and Pavel Campr and Martin Čadík and George Bebis},
journal= {arXiv preprint arXiv:1805.08105},
year = {2018}
}
备注
Proceedings of the International Joint Conference on Neural Networks (IJCNN) (oral presentation), IEEE Computational Intelligence Society, 2017