生成通往罗马的所有道路：用于改进道路标线分割的道路布局随机化
机器人学
2019-07-11 v1 计算机视觉与模式识别
摘要
道路标线为交通参与者提供指引并规范安全驾驶行为，因此理解其语义含义在（自动）驾驶中至关重要。然而，生产训练最先进深度网络所需的大量道路标线标签成本高昂、耗时，且对于每个领域和条件而言根本不可行。此外，从虚拟世界检索的训练数据往往缺乏真实世界的丰富性和复杂性，因此无法直接使用。在本文中，我们提供了一种替代方法，其中自动生成新的道路标线训练图像-标签对。为此，我们将领域随机化原理应用于道路布局，并从修改后的语义标签合成新图像。我们证明，在复杂城市环境的真实世界部署中，在这些合成对上训练可使罕见道路标线类的分割 mIoU 提高超过 12 个百分点，同时保留其他类的性能。该框架可轻松扩展到所有领域和条件以生成大规模道路标线数据集，同时避免人工标注工作。
引用
@article{arxiv.1907.04569,
title = {Generating All the Roads to Rome: Road Layout Randomization for Improved Road Marking Segmentation},
author = {Tom Bruls and Horia Porav and Lars Kunze and Paul Newman},
journal= {arXiv preprint arXiv:1907.04569},
year = {2019}
}
备注
presented at ITSC 2019