HS3-Bench：面向驾驶场景的高光谱语义分割基准与强基线
计算机视觉与模式识别
2025-09-18 v1
摘要
语义分割是许多视觉应用中理解场景及其内部物体的关键步骤。高光谱成像技术的最新进展使其能够应用于驾驶场景，人们期望该设备的感知能力能提供超越RGB相机的优势。尽管已有一些数据集存在，但目前尚无标准基准来系统衡量此任务的进展并评估高光谱数据的益处。在本文中，我们致力于通过提供高光谱语义分割基准(HS3-Bench)来弥补这一差距。它结合了来自三个驾驶场景数据集的带标注高光谱图像，并提供了标准化的指标、实现和评估协议。我们利用该基准推导出两个强基线模型，它们在各个数据集上无论是否经过预训练，其性能都超越了先前的最先进水平。此外，我们的结果表明，现有的基于学习的方法从利用额外的RGB训练数据中获益，比从利用额外的高光谱通道中获益更多。这为未来在驾驶场景语义分割中使用高光谱成像的研究提出了重要问题。运行基准和强基线方法的代码可在https://github.com/nickstheisen/hyperseg获取。
引用
@article{arxiv.2409.11205,
title = {HS3-Bench: A Benchmark and Strong Baseline for Hyperspectral Semantic Segmentation in Driving Scenarios},
author = {Nick Theisen and Robin Bartsch and Dietrich Paulus and Peer Neubert},
journal= {arXiv preprint arXiv:2409.11205},
year = {2025}
}
备注
Accepted for publication at 2024 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2024)