改进语义分割的在线性能预测
计算机视觉与模式识别
2021-04-13 v1
摘要
本工作致力于在在线运行（即推理期间）观察语义分割深度神经网络（DNN）的性能，这在自动驾驶等安全关键应用中极为重要。此处许多高层决策依赖于此类 DNN，它们通常在离线评估，而其在线运行性能仍属未知。为解决该问题，我们提出一种改进的在线性能预测方案，建立在近期提出的预测主语义分割任务性能的概念之上。这可通过利用 LiDAR 传感器提供的测量值评估单目深度估计辅助任务，并随后回归到语义分割性能来实现。具体而言，我们提出（i）多任务训练设置中两任务的顺序训练方法，（ii）在两任务网络间共享编码器及部分解码器以提升效率，以及（iii）一种时间统计聚合方法，其以较小的算法延迟为代价显著降低了性能预测误差。在 KITTI 数据集上的评估表明，这三方面均较先前方法改进了性能预测。
引用
@article{arxiv.2104.05255,
title = {Improving Online Performance Prediction for Semantic Segmentation},
author = {Marvin Klingner and Andreas Bär and Marcel Mross and Tim Fingscheidt},
journal= {arXiv preprint arXiv:2104.05255},
year = {2021}
}
备注
Accepted to CVPR SAIAD Workshop