基于语义分割的复杂道路与交通场景高效文本解释
计算机视觉与模式识别
2022-06-03 v2
摘要
复杂的驾驶环境给自动驾驶车辆的视觉感知带来巨大挑战。从复杂道路与交通场景中提取清晰且可解释的信息并为决策与控制提供线索至关重要。然而，先前的场景解释是作为独立模型实现的。黑盒模型难以解释驾驶环境，无法检测全面的文本信息，且需要较高的计算负载与耗时。因此，本研究提出了一种全面且高效的文本解释模型。从 336k 驾驶环境视频帧中，选取复杂道路与交通场景的关键图像构成数据集。通过迁移学习，本研究建立了准确高效的分割模型以获取环境中的关键交通要素。基于 XGBoost 算法，开发了综合模型。该模型提供关于交通要素状态、冲突物体运动及场景复杂度的文本信息。该方法在真实道路上得到验证。它将关键交通要素的感知精度提升至 78.8%。每轮耗时达 13 分钟，比预训练网络效率提高 11.5 倍。从模型分析的文本信息也与现实相符。研究结果为复杂驾驶环境提供了清晰可解释的信息，为后续决策与控制奠定基础，可提升视觉感知能力并丰富对复杂交通状况的先验知识与判断。
引用
@article{arxiv.2205.14118,
title = {Efficient textual explanations for complex road and traffic scenarios based on semantic segmentation},
author = {Yiyue Zhao and Xinyu Yun and Chen Chai and Zhiyu Liu and Wenxuan Fan and Xiao Luo},
journal= {arXiv preprint arXiv:2205.14118},
year = {2022}
}