激光雷达标注即所需

近年来，计算机视觉已变革医学影像、物体识别与地理空间分析等领域。语义图像分割是计算机视觉的基础任务之一，对精确物体勾勒至关重要。自动驾驶是计算机视觉算法应用的关键领域之一。路面分割任务在自动驾驶系统中举足轻重，但其在多个数据域需耗费人力的标注过程。本文工作旨在多传感器设置下利用卷积神经网络提升图像分割效率。该方法借助激光雷达（Light Detection and Ranging）标注直接在 RGB 图像上训练图像分割模型。激光雷达通过发射激光脉冲并测量反射提供深度信息以补充图像。然而，激光雷达的稀疏点云常为精确物体分割带来困难。点云分割需耗时的初步数据准备与大量计算资源。我们方法的关键创新为掩码损失，以处理来自点云的稀疏真值掩码。通过仅在激光雷达点存在处计算损失，模型以激光雷达点为真值学习图像上的道路分割。该方法允许模型训练期间融合不同真值数据类型。在基准数据集上的实验验证显示性能可与高质量图像分割模型媲美。引入激光雷达减轻了标注负担，且能在不损失分割质量下训练图像分割模型。该方法在公开与专有多样数据集上测试。文中亦讨论了所提方法的优势与不足。