基于不确定性感知对称网络的快速道路分割
计算机视觉与模式识别
2022-03-10 v1 人工智能
摘要
基于 RGB-D 的道路分割方法的高性能与其在商用自动驾驶中的罕见应用形成反差,这源于两点原因:1)已有方法无法同时在两方面实现高推理速度和高精度;2)RGB 与深度数据的不同特性未被充分利用,限制了预测道路的可靠性。本文基于证据理论,提出一种不确定性感知对称网络(USNet),通过充分融合 RGB 与深度数据,在速度与精度间取得权衡。首先,我们摒弃了已有 RGB-D 方法中不可或缺的跨模态特征融合操作,转而分别采用两个轻量子网络从 RGB 与深度输入中学习道路表征。轻量结构保证了方法的实时推理。此外,设计了一个多尺度证据收集(MEC)模块,为各模态在多尺度上收集证据,为像素类别判定提供充分证据。最后,在不确定性感知融合(UAF)模块中,感知各模态的不确定性以引导两个子网络的融合。实验结果表明,我们的方法以 43+ FPS 的实时推理速度取得了最先进的精度。源代码见 https://github.com/morancyc/USNet。
引用
@article{arxiv.2203.04537,
title = {Fast Road Segmentation via Uncertainty-aware Symmetric Network},
author = {Yicong Chang and Feng Xue and Fei Sheng and Wenteng Liang and Anlong Ming},
journal= {arXiv preprint arXiv:2203.04537},
year = {2022}
}
备注
Accepted by ICRA 2022