用于基于计算机视觉的冬季路面状况监测的带预测区间估计的轻量回归模型
计算机视觉与模式识别
2024-04-29 v2
摘要
冬季条件给自动驾驶应用带来若干挑战。冬季的一项关键挑战是准确评估路面状况，因为其对摩擦的影响是为安全、可靠地控制车辆的关键参数。本文提出一种深度学习回归模型 SIWNet，能够从相机图像估计路面摩擦特性。SIWNet 通过在网络架构中加入不确定性估计机制，扩展了现有 SOTA 水平。这是通过为网络增加一个额外头来实现，该头估计预测区间。预测区间头以最大似然损失函数训练。模型使用 SeeingThroughFog 数据集进行训练与测试，该数据集包含来自装备车辆的相关路面摩擦传感器读数与图像。所得结果凸显了 SIWNet 预测区间估计的功能，同时该网络也达到了与先前 SOTA 相近的点估计精度。此外，SIWNet 架构比先前应用的 SOTA 模型轻量数倍，从而实现更实用、高效的部署。
引用
@article{arxiv.2310.00923,
title = {Lightweight Regression Model with Prediction Interval Estimation for Computer Vision-based Winter Road Surface Condition Monitoring},
author = {Risto Ojala and Alvari Seppänen},
journal= {arXiv preprint arXiv:2310.00923},
year = {2024}
}
备注
Published in IEEE Transactions on Intelligent Vehicles (2024)