利用事件驱动动态上下文进行事故场景分割
计算机视觉与模式识别
2021-12-10 v1
摘要
交通场景边缘情况下语义分割的鲁棒性是智能交通安全的关键因素。然而，多数交通事故的关键场景极度动态且前所未见，严重损害了语义分割方法的性能。此外，传统相机在高速行驶时的延迟会进一步削弱时间维度上的上下文信息。因此，我们提出从具有更高时间分辨率的基于事件的数据中提取动态上下文，以增强静态 RGB 图像，即便其来自带有运动模糊、碰撞、形变、翻车等的交通事故。 moreover，为评估交通事故下的分割性能，我们提供了一个像素级标注的事故数据集，即 DADA-seg，其包含多种交通事故关键场景。我们的实验表明，基于事件的数据可提供互补信息，通过保留事故中快速运动前景（碰撞物体）的细粒度运动，在恶劣条件下稳定语义分割。我们的方法在提出的事故数据集上取得 +8.2% 的性能增益，超越 20 余种 SOTA 语义分割方法。该方案已被证明对包括 Cityscapes、KITTI-360、BDD 与 ApolloScape 在内的多个源数据库上学习的模型一致有效。
引用
@article{arxiv.2112.05006,
title = {Exploring Event-driven Dynamic Context for Accident Scene Segmentation},
author = {Jiaming Zhang and Kailun Yang and Rainer Stiefelhagen},
journal= {arXiv preprint arXiv:2112.05006},
year = {2021}
}
备注
Accepted to IEEE Transactions on Intelligent Transportation Systems (T-ITS), extended version of arXiv:2008.08974, dataset and code will be made publicly available at https://github.com/jamycheung/ISSAFE