基于超像素CNN与CRF模型的高效细粒度道路分割
摘要
为实现安全舒适的驾驶，道路场景分割是基于摄像头的先进驾驶辅助系统（ADAS）中的一个基本问题。尽管卷积神经网络（CNN）在语义分割任务中取得了巨大成就，但基于CNN的方法的高计算量仍然是一个具有挑战性的领域。在近期工作中，我们提出了一种新颖的方法，以合理的计算量利用CNN的优势进行道路分割。其运行时的优势在于使用不规则超像素而非图像网格作为CNN的输入基础，这极大地减少了输入尺寸。虽然该方法在训练和测试阶段都实现了显著的低计算时间，但与高成本的最先进方法相比，超像素域的低分辨率自然导致精度较低。在本工作中，我们专注于利用条件随机场（CRF）对道路分割进行细化。细化过程仅限于接触预测道路边界的超像素，以保持较低的额外计算量。将输入缩减到超像素域，使得CNN结构可以保持小巧且计算高效，同时保留卷积层的优势，使其适用于ADAS。应用CRF弥补了精度与计算效率之间的权衡。所提出的系统在KITTI道路基准测试上取得了与顶级算法相当的性能，并且其快速推理能力使其特别适合实时应用。
引用
@article{arxiv.2207.02844,
title = {Efficient fine-grained road segmentation using superpixel-based CNN and CRF models},
author = {Farnoush Zohourian and Jan Siegemund and Mirko Meuter and Josef Pauli},
journal= {arXiv preprint arXiv:2207.02844},
year = {2022}
}
备注
7 pages,4 figures, Original language: English, Publication status: Published - 2018 Publisher: CENPARMI, Centre for Pattern Recognition and Machine Intelligence Concordia University, Montreal, Canada Pages:512-517, ISBN (Electronic): 978-1-895193-04-6 Conference: International Conference on Pattern Recognition and Artificial Intelligence ICPRAI 2018 - Montreal, Quebec, Canada