探索数据增强在可行驶区域分割中的效果

可行驶区域的实时分割在汽车实现自主感知中起着至关重要的作用。近来，利用深度学习进行图像分割模型开发取得了一些快速进展。然而，大多数进展都集中在模型架构设计上。在解决任何与分割相关的监督深度学习问题时，所构建模型的成功取决于我们为该模型使用的输入训练数据的数量与质量。这些数据应包含标注良好的多样化图像，以使分割模型更好地工作。数据集中诸如此类的标注问题可能导致模型在测试和验证中出现大量的第一类和第二类错误，从而在试图解决现实世界问题时引发恶性问题。为解决此问题并使我们的模型更准确、动态和鲁棒，数据增强得以应用，因为它有助于扩充我们的样本训练数据并使其整体更好、更多样化。因此，在我们的研究中，我们侧重于通过分析已有图像数据集并相应地进行增强来考察数据增强的益处。我们的结果表明，现有最先进（state of the art，SOTA）模型的性能和鲁棒性可在不增加模型复杂度或推理时间的情况下显著提升。本文确定并使用的增强方法是在对当今广泛使用的若干其他增强方法与策略及其相应效果进行充分研究后才决定的。我们所有结果均在广泛使用的 Cityscapes 数据集上报告。