基于弱标注学习的鲁棒海上障碍物检测
计算机视觉与模式识别
2022-11-28 v2
摘要
鲁棒的海上障碍物检测对于自主船只的安全航行与及时避撞至关重要。当前最优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。我们提出一种新的脚手架学习机制 (SLR)，利用由水边、地平线位置与障碍物边界框组成的弱标注来训练基于分割的障碍物检测网络，从而将所需真值标注工作量降低为原来的二十分之一。SLR 从弱标注训练初始模型，然后交替重新估计分割伪标签与改进网络参数。实验表明，使用 SLR 在弱标注上训练的海上障碍物分割网络不仅媲美而且优于用稠密真值标签训练的同类网络，这是一个引人注目的结果。除精度提升外，SLR 还增强了域泛化能力，并可用于低人工标注负担的域适应。SLR 代码与预训练模型见 https://github.com/lojzezust/SLR 。
引用
@article{arxiv.2206.13263,
title = {Learning with Weak Annotations for Robust Maritime Obstacle Detection},
author = {Lojze Žust and Matej Kristan},
journal= {arXiv preprint arXiv:2206.13263},
year = {2022}
}
备注
Published in MDPI Sensors, 23 pages, 8 figures