基于离散Wasserstein训练的自驾重要性感知语义分割
计算机视觉与模式识别
2020-10-26 v1 机器学习
机器人学
摘要
语义分割(SS)是自动驾驶汽车和机器人一种重要的感知方式,其将每个像素分类到预定义的类别中。广泛使用的基于交叉熵(CE)损失的深度网络在平均交并比(mIoU)方面取得了显著进展。然而,交叉熵损失无法考虑自驾系统中每个类别的不同重要性。例如,在驾驶决策时,图像中的行人应比周围建筑物重要得多,因此其分割结果应尽可能准确。本文中,我们提出通过配置Wasserstein训练框架的地面距离矩阵,将重要性感知的类别间相关性纳入其中。地面距离矩阵可在特定任务中按先验预定义,而先前忽略重要性的方法可视为其特例。从优化视角,我们还将地面度量扩展为关于预定义地面距离的线性、凸或凹增函数。我们以即插即用的方式在CamVid和Cityscapes数据集上用不同骨干网络(SegNet、ENet、FCN和Deeplab)评估了我们的方法。在我们大量的实验中,Wasserstein损失在预定义的安全驾驶关键类别上展现出优越的分割性能。
引用
@article{arxiv.2010.12440,
title = {Importance-Aware Semantic Segmentation in Self-Driving with Discrete Wasserstein Training},
author = {Xiaofeng Liu and Yuzhuo Han and Song Bai and Yi Ge and Tianxing Wang and Xu Han and Site Li and Jane You and Ju Lu},
journal= {arXiv preprint arXiv:2010.12440},
year = {2020}
}
备注
Published in Thirty-Fourth AAAI Conference on Artificial Intelligence (AAAI) 2020. arXiv admin note: text overlap with arXiv:2008.04751