基于自监督与在线训练全卷积网络的自由空间检测
计算机视觉与模式识别
2017-01-06 v2
摘要
近来，基于视觉的高级驾驶员辅助系统获得了广泛关注。在本工作中，我们研究自由空间检测，为此我们提议采用全卷积网络（FCN）。我们展示该 FCN 可以以自监督方式训练，并取得与在人工标注数据上训练相似的结果，从而减少对大型人工标注训练集的需求。为此，我们的自监督训练依赖于立体视觉视差系统，为基于颜色的 FCN 自动生成（弱）训练标签。此外，我们的自监督训练有助于 FCN 的在线训练而非离线训练。因此，鉴于所应用的 FCN 相对较小，自由空间分析对车辆遇到的任何交通场景都变得高度自适应。我们使用公开可用数据以及本文发布的一个新的具有挑战性的基准数据集验证了我们的算法。实验表明，与离线训练相比，在线训练在 Fmax 和 AP 上均带来 5% 的性能提升。
引用
@article{arxiv.1604.02316,
title = {Free-Space Detection with Self-Supervised and Online Trained Fully Convolutional Networks},
author = {Willem P. Sanberg and Gijs Dubbelman and Peter H. N. de With},
journal= {arXiv preprint arXiv:1604.02316},
year = {2017}
}
备注
version as accepted at IS&T Electronic Imaging - Autonomous Vehicles and Machines Conference (San Francisco USA, January 2017); updated with two additional robustness experiments and formatted in conference style; 8 pages, public data available