DMRVisNet：雾天条件下用于像素级能见度估计的深度多头回归网络
计算机视觉与模式识别
2021-12-09 v1
摘要
场景感知对于驾驶决策和交通安全至关重要。然而，雾作为一种常见天气，在现实世界中频繁出现，尤其是在山区，这使得准确观察周围环境变得困难。因此，精确估计雾天条件下的能见度可以显著有利于交通管理和安全。为了解决这个问题，目前大多数方法使用安装在道路上固定位置的专业仪器来进行能见度测量；这些方法成本高昂且灵活性较差。在本文中，我们提出了一个创新的端到端卷积神经网络框架，利用 Koschmieder 定律仅通过图像数据来估计能见度。所提出的方法通过将物理模型集成到所提出的框架中来估计能见度，而不是直接通过卷积神经网络预测能见度值。此外，与以往仅对整个图像预测单一值的能见度测量方法相比，我们将能见度估计为像素级的能见度图。因此，我们方法的估计结果信息量更大，特别是在不均匀雾场景下，这有助于开发更精确的雾天预警系统，从而更好地保护智能交通基础设施系统并促进其发展。为了验证所提出的框架，我们使用 AirSim 平台收集了一个包含 3000 张不同浓度雾天图像的虚拟数据集 FACI。详细实验表明，所提出的方法取得了与最先进方法相竞争的性能。
引用
@article{arxiv.2112.04278,
title = {DMRVisNet: Deep Multi-head Regression Network for Pixel-wise Visibility Estimation Under Foggy Weather},
author = {Jing You and Shaocheng Jia and Xin Pei and Danya Yao},
journal= {arXiv preprint arXiv:2112.04278},
year = {2021}
}
备注
8 figures