在连体全卷积网络中嵌入结构化轮廓与位置先验的的道路检测
计算机视觉与模式识别
2019-05-07 v1
摘要
从运动车辆视角进行道路检测是自动驾驶中的一项挑战性问题。近来，许多深度学习方法涌现用于该任务，因为它们能提取高层局部特征从原始 RGB 数据中找到道路区域，如卷积神经网络（CNN）和全卷积网络（FCN）。然而，如何准确检测道路边界仍是一个棘手问题。本文提出一种连体全卷积网络（命名为“s-FCN-loc”），其能够同时考虑 RGB 通道图像、语义轮廓和位置先验以精细分割道路区域。具体而言，s-FCN-loc 具有两条流分别处理原始 RGB 图像与轮廓图。同时，位置先验被直接附加到连体 FCN 以提升最终检测性能。我们的贡献有三方面：（1）提出一种 s-FCN-loc，其比原始 FCN 学习到更具判别性的道路边界特征，以检测更准确的道路区域；（2）位置先验被视为一种特征图并直接附加到 s-FCN-loc 的最终特征图中以有效提升检测性能，这比其他传统方法（即不同输入对应不同先验（图像块））更简单；（3）由于高度结构化轮廓的引导，训练 s-FCN-loc 模型的收敛速度比原始 FCN 快 30%。所提方法在 KITTI 道路检测基准和单类道路检测数据集上评估，并取得了与当前最优方法相当的竞争结果。
引用
@article{arxiv.1905.01575,
title = {Embedding Structured Contour and Location Prior in Siamesed Fully Convolutional Networks for Road Detection},
author = {Qi Wang and Junyu Gao and Yuan Yuan},
journal= {arXiv preprint arXiv:1905.01575},
year = {2019}
}
备注
IEEE T-ITS 2018