利用高效数据增强——光照条件风格迁移的低光照车道线检测
计算机视觉与模式识别
2020-05-19 v2
摘要
如今，深度学习技术被广泛用于车道线检测，但其在低光照条件下的应用至今仍具挑战。尽管已提出多任务学习和基于上下文信息的方法来解决该问题，但它们分别需要额外的人工标注或引入额外的推理开销。本文提出一种基于风格迁移的数据增强方法，利用生成对抗网络（GANs）生成低光照条件下的图像，从而提升车道检测器的环境适应性。我们的方案由三部分组成：所提出的 SIM-CycleGAN、光照条件风格迁移以及车道检测网络。它不需要额外的人工标注，也不产生额外的推理开销。我们在车道检测基准 CULane 上使用 ERFNet 验证了我们的方法。经验上，使用我们的方法训练的车道检测模型在低光照条件下表现出适应性，并在复杂场景中具备鲁棒性。本文代码将公开可用。
引用
@article{arxiv.2002.01177,
title = {Lane Detection in Low-light Conditions Using an Efficient Data Enhancement : Light Conditions Style Transfer},
author = {Tong Liu and Zhaowei Chen and Yi Yang and Zehao Wu and Haowei Li},
journal= {arXiv preprint arXiv:2002.01177},
year = {2020}
}
备注
Accepted by IV 2020