图注意力层演进语义分割用于道路坑洞检测：基准与算法
计算机视觉与模式识别
2021-10-13 v1 人工智能
机器学习
机器人学
摘要
现有道路坑洞检测方法可分为基于计算机视觉或基于机器学习两类。前者通常采用2-D图像分析/理解或3-D点云建模与分割算法从视觉传感器数据检测道路坑洞。后者一般以端到端方式使用卷积神经网络（CNN）解决道路坑洞检测。然而，道路坑洞并非随处可见，且难以准备大规模精标注数据集用于CNN训练。就此而言，虽然基于计算机视觉的方法在过去十年是主流研究趋势，基于机器学习的方法鲜有讨论。近来，我们发布了首个基于立体视觉的道路坑洞检测数据集及一种新颖视差变换算法，据此受损与未受损道路区域可被高度区分。然而，目前尚无针对使用视差图像或变换后视差图像训练的先进（SoTA）CNN的基准。因此，本文首先讨论为语义分割设计的SoTA CNN，并通过大量实验评估其在道路坑洞检测上的性能。此外，受图神经网络（GNN）启发，我们提出一种新颖CNN层，称为图注意力层（GAL），可轻松部署于任何现有CNN中以优化语义分割的图像特征表示。我们的实验在三种训练数据模态——RGB图像、视差图像与变换后视差图像——上将表现最佳的GAL-DeepLabv3+与九个SoTA CNN比较。实验结果表明，我们所提GAL-DeepLabv3+在所有训练数据模态上取得了最佳整体坑洞检测精度。
引用
@article{arxiv.2109.02711,
title = {Graph Attention Layer Evolves Semantic Segmentation for Road Pothole Detection: A Benchmark and Algorithms},
author = {Rui Fan and Hengli Wang and Yuan Wang and Ming Liu and Ioannis Pitas},
journal= {arXiv preprint arXiv:2109.02711},
year = {2021}
}
备注
accepted as a regular paper to IEEE Transactions on Image Processing