利用辅助转向任务增强道路区域语义分割
计算机视觉与模式识别
2022-12-20 v1
摘要
不同模式识别方法的鲁棒性是自动驾驶的关键挑战之一，尤其是在高度多样化的道路环境和天气条件下行驶时，例如砾石路和降雪。尽管人们可以使用配备传感器的汽车从这些不利条件中收集数据，但为训练标注数据相当繁琐。在这项工作中，我们针对这一局限性，提出了一种基于 CNN 的方法，该方法可以利用方向盘转角信息来改善道路区域语义分割。由于方向盘转角数据可以随关联图像轻松获取，因此人们可以通过在新道路环境中收集数据而无需手动数据标注来提高道路区域语义分割的准确性。我们在两个具有挑战性的自动驾驶数据集上证明了所提方法的有效性，并表明当转向任务用于我们的分割模型训练时，与相应的参考迁移学习模型相比，道路区域 mIoU（平均交并比）提升了 0.1-2.9%。
引用
@article{arxiv.2212.09438,
title = {Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task},
author = {Jyri Maanpää and Iaroslav Melekhov and Josef Taher and Petri Manninen and Juha Hyyppä},
journal= {arXiv preprint arXiv:2212.09438},
year = {2022}
}
备注
11 pages, 4 figures (Supplementary material 6 pages, 3 figures). Author's accepted version of the contribution included in proceedings of the 21st International Conference on Image Analysis and Processing (ICIAP), 2022