EL-GAN：基于嵌入损失驱动的生成对抗网络用于车道检测
计算机视觉与模式识别
2018-07-06 v2
摘要
卷积神经网络已成功应用于语义分割问题。然而，许多问题本质上并非逐像素分类问题，却仍常被表述为语义分割。这种不适定表述因而需要手工设计的特定场景且计算昂贵的后处理方法，将逐像素概率图转换为最终期望输出。生成对抗网络（GANs）可用于使语义分割网络输出更真实或更好地保持结构，从而减少对潜在复杂后处理的依赖。在本工作中，我们提出EL-GAN：一种利用嵌入损失缓解上述问题的GAN框架。通过EL-GAN，我们同时基于标签与预测的学习嵌入进行判别。由于拥有更好的判别信息并受益于同时看到“假”与“真”预测，这带来了更稳定的训练。这大幅稳定了对抗训练过程。我们使用TuSimple车道线标注挑战赛证明，采用我们所提框架克服将其作为语义分割问题的固有异常是可行的。与常规方法相比，输出不仅与标签更为相似，后续后处理也更简单，并跨越了具竞争力的96%准确率阈值。
引用
@article{arxiv.1806.05525,
title = {EL-GAN: Embedding Loss Driven Generative Adversarial Networks for Lane Detection},
author = {Mohsen Ghafoorian and Cedric Nugteren and Nóra Baka and Olaf Booij and Michael Hofmann},
journal= {arXiv preprint arXiv:1806.05525},
year = {2018}
}
备注
14 pages, 7 figures