基于脚手架学习的弱标注海上障碍物检测

沿海水域自主船只依赖鲁棒的感知方法进行障碍物检测与及时避碰。当前最先进的方法基于在大型数据集上训练的深度分割网络。然而，此类数据集的逐像素真值标注费力且昂贵。我们观察到，实际避障所需的信息要少得多——静态障碍物（如岸线）的水边位置以及水中动态障碍物的近似位置与边界足以规划反应。我们提出一种新的脚手架学习机制（SLR），仅利用此类弱标注即可训练障碍物检测分割网络，从而显著降低真值标注成本。实验表明，使用 SLR 训练的海上障碍物分割网络大幅优于使用稠密真值标签训练的同类网络。因此，准确性并未因标注简化而牺牲，反而得到提升，这是一个值得注意的结果。