利用相似地点先验改进挑战性域中的道路分割
计算机视觉与模式识别
2022-05-30 v1
摘要
在夜间、雪天或雨天等挑战性域中进行道路分割是一项困难任务。当前大多数方法通过微调、域适应、风格迁移或参考先前获取的影像来提升性能。这些方法共有三个显著局限中的一个或多个：依赖大量标注训练数据（获取成本高昂）、需预期推理时的环境条件类型并具备相应训练数据、和/或需来自先前到访该地点的影像。在本研究中，我们通过基于相似地点改进道路分割来消除这些限制。我们使用视觉地点识别（VPR）寻找相似但地理上不同的地点，并通过贝叶斯方法和新颖的分割质量度量融合查询图像与这些相似地点先验的分割结果。消融实验表明需要重新评估该任务中 VPR 效用的概念。我们展示了该系统在包括夜间和雪天在内的多种挑战性条件场景下达到最先进的道路分割性能，且无需任何先验训练或先前访问相同地理位置。此外，我们表明该方法与网络无关，可改进多种基线技术，并与专用于道路预测的方法具有竞争力。
引用
@article{arxiv.2205.14112,
title = {Improving Road Segmentation in Challenging Domains Using Similar Place Priors},
author = {Connor Malone and Sourav Garg and Ming Xu and Thierry Peynot and Michael Milford},
journal= {arXiv preprint arXiv:2205.14112},
year = {2022}
}
备注
Accepted into IEEE Robotics and Automation Letters (RA-L) and presented at IEEE International Conference on Robotics and Automation (ICRA 2022)