通过双图像自适应可学习滤波器改进夜间驾驶场景分割
计算机视觉与模式识别
2023-03-21 v2
摘要
驾驶场景图像的语义分割对自动驾驶至关重要。尽管在白天图像上已取得令人鼓舞的性能，但由于曝光不足与标注数据缺乏，夜间图像性能尚不尽如人意。为解决这些问题，我们提出一种称为双图像自适应可学习滤波器（DIAL-Filters）的附加模块，以改进夜间驾驶条件下的语义分割，旨在利用不同光照下驾驶场景图像的内在特征。DIAL-Filters由两部分组成，包括图像自适应处理模块（IAPM）和可学习引导滤波器（LGF）。借助DIAL-Filters，我们设计了无监督与有监督两种框架用于夜间驾驶场景分割，均可端到端训练。具体而言，IAPM模块由带一组可微图像滤波器的小型卷积神经网络构成，可针对各异光照对每幅图像自适应增强以获得更佳分割。LGF用于增强分割网络输出以获取最终分割结果。DIAL-Filters轻量高效，可便捷应用于白天与夜间图像。实验表明，DAIL-Filters在ACDC_Night与NightCity数据集上显著提升了有监督分割性能，同时在Dark Zurich与Nighttime Driving测试集的无监督夜间语义分割上展现出最先进性能。
引用
@article{arxiv.2207.01331,
title = {Improving Nighttime Driving-Scene Segmentation via Dual Image-adaptive Learnable Filters},
author = {Wenyu Liu and Wentong Li and Jianke Zhu and Miaomiao Cui and Xuansong Xie and Lei Zhang},
journal= {arXiv preprint arXiv:2207.01331},
year = {2023}
}
备注
Accepted by IEEE TCSVT(2023)