自动驾驶场景中基于高光谱成像的感知：基准语义分割模型评测
计算机视觉与模式识别
2025-05-27 v2 人工智能
摘要
高光谱成像 (HSI) 因其在遥感、农业和医学领域相较于传统 RGB 成像的优势而闻名。最近，它在增强高级驾驶辅助系统 (ADAS) 感知方面引起了关注。已有多个 HSI 数据集可用，如 HyKo、HSI-Drive、HSI-Road 和 Hyperspectral City。然而，缺乏使用这些数据集对语义分割模型 (SSM) 的全面评估。为了弥补这一差距，我们在四个基于深度学习的基线 SSM 上评估了可用的带标注 HSI 数据集：DeepLab v3+、HRNet、PSPNet 和 U-Net，以及它的两个变体：坐标注意力 (UNet-CA) 和卷积块注意力模块 (UNet-CBAM)。原始模型架构经过调整，以适应数据集不同的空间和光谱维度。这些基线 SSM 使用针对单个 HSI 数据集的类别加权损失函数进行训练，并使用基于均值的指标进行评估，例如交并比 (IoU)、召回率、精确率、F1 分数、特异度和准确率。我们的结果表明，提取通道特征的 UNet-CBAM 优于其他 SSM，并显示出利用光谱信息增强语义分割的潜力。本研究在可用的带标注数据集上建立了一个基线 SSM 基准，用于未来评估基于 HSI 的 ADAS 感知。然而，当前 HSI 数据集的局限性，如数据集规模有限、类别高度不平衡以及缺乏细粒度标注，仍然是开发用于 ADAS 应用的鲁棒 SSM 的重大制约因素。
引用
@article{arxiv.2410.22101,
title = {Hyperspectral Imaging-Based Perception in Autonomous Driving Scenarios: Benchmarking Baseline Semantic Segmentation Models},
author = {Imad Ali Shah and Jiarong Li and Martin Glavin and Edward Jones and Enda Ward and Brian Deegan},
journal= {arXiv preprint arXiv:2410.22101},
year = {2025}
}
备注
Accepted and Presented at IEEE WHISPERS 2024