DS-PASS：基于SwaftNet的细节敏感全景环带语义分割用于周边感知
计算机视觉与模式识别
2020-02-10 v2 机器人学
图像与视频处理
信号处理
摘要
对交通场景进行语义理解对于自动驾驶与机器人系统至关重要。然而，当前最先进的语义分割流程主要设计用于针孔相机并以窄视场（FoV）图像进行训练。在此意义上，其感知能力严重受限，难以为上游导航任务提供更高层次的置信度。本文提出一种网络适配框架以实现全景环带语义分割（PASS），该框架允许复用传统的针孔视场图像数据集，使现代分割网络能够轻松适配全景图像。具体而言，我们使所提出的SwaftNet通过在与细节关键的编码器层及与上下文关键的解码器层之间实现基于注意力的横向连接，来增强对细节的敏感性。我们在扩展的PASS数据集上以高效分割器在全景分割上的性能作为基准，表明所提出的实时SwaftNet优于最先进的高效网络。此外，我们在移动机器人与装备车辆上部署细节敏感PASS（DS-PASS）系统，并评估其实世界性能，以及全景语义对视觉里程计的益处，展示了其鲁棒性与支撑多样化导航应用的潜力。
引用
@article{arxiv.1909.07721,
title = {DS-PASS: Detail-Sensitive Panoramic Annular Semantic Segmentation through SwaftNet for Surrounding Sensing},
author = {Kailun Yang and Xinxin Hu and Hao Chen and Kaite Xiang and Kaiwei Wang and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:1909.07721},
year = {2020}
}
备注
8 pages, 10 figures