利用低层表征实现超快道路分割
计算机视觉与模式识别
2024-02-07 v2 机器学习
摘要
在嵌入式平台上实现实时性与准确性一直是道路分割方法的追求。为此，人们提出了许多轻量级网络。然而，他们忽略了道路是“stuff”（背景或环境元素）而非“things”（特定可识别物体）这一事实，这启发我们探索用低层特征而非高层特征来表示道路的可行性。令人惊讶的是，我们发现主流网络模型的初级阶段足以表示道路的大部分像素以进行分割。受此启发，我们提出了一种低层特征主导的道路分割网络（LFD-RoadSeg）。具体而言，LFD-RoadSeg采用双分支结构。首先设计空间细节分支，通过ResNet-18的第一阶段提取道路的低层特征表征。为了抑制在低层特征中被误认为道路的无纹理区域，随后设计上下文语义分支以快速提取上下文特征。为此，在第二个分支中，我们对输入图像进行非对称下采样，并设计一个聚合模块，以较少的时间消耗实现与ResNet-18第三阶段相当的感受野。最后，为了从低层特征中分割出道路，提出一个选择性融合模块来计算低层表征与上下文特征之间的逐像素注意力，并通过该注意力抑制非道路的低层响应。在KITTI-Road上，LFD-RoadSeg实现了95.21%的最大F1度量（MaxF）和93.71%的平均精度，同时在单张TITAN Xp上达到238 FPS，在Jetson TX2上达到54 FPS，所有这些仅具有936k参数的紧凑模型大小。源代码可在 https://github.com/zhouhuan-hust/LFD-RoadSeg 获取。
引用
@article{arxiv.2402.02430,
title = {Exploiting Low-level Representations for Ultra-Fast Road Segmentation},
author = {Huan Zhou and Feng Xue and Yucong Li and Shi Gong and Yiqun Li and Yu Zhou},
journal= {arXiv preprint arXiv:2402.02430},
year = {2024}
}
备注
11 pages, 7 figures, IEEE TITS