DSNet用于实时驾驶场景语义分割
计算机视觉与模式识别
2019-12-09 v2 人工智能
机器学习
摘要
我们关注自动驾驶系统中极具挑战性的语义分割任务。它必须实时为交通关键对象提供良好的语义分割结果。本文提出一种高效且强大的深度神经网络用于驾驶场景语义分割，称为驾驶分割网络（Driving Segmentation Network, DSNet）。DSNet通过受ShuffleNet V2和ENet启发的有效单元与架构设计，在精度与推理速度间取得最先进的平衡。更重要的是，DSNet通过我们新颖的驾驶重要性加权损失（Driving Importance-weighted Loss）突出对驾驶决策最关键的类别。我们在Cityscapes数据集上评估DSNet，我们的DSNet在验证集上取得71.8%平均交并比（IoU），在测试集上取得69.3%。类间IoU分数显示驾驶重要性加权损失能大幅提升多数驾驶关键类别。与ENet相比，DSNet精度提升18.9%且速度快1.1倍以上，这意味着其在自动驾驶应用中的巨大潜力。
引用
@article{arxiv.1812.07049,
title = {DSNet for Real-Time Driving Scene Semantic Segmentation},
author = {Wenfu Wang and Zhijie Pan},
journal= {arXiv preprint arXiv:1812.07049},
year = {2019}
}
备注
We have discovered some reported numbers unreproducible, and decided to redesign the methods, and rewrite most of the paper