基于合成与真实数据模型自适应的语义浓雾场景理解
计算机视觉与模式识别
2018-08-06 v1
摘要
本文研究浓雾条件下的语义场景理解问题。尽管语义场景理解已取得显著进展，但主要集中于晴好天气场景。将识别方法拓展至雾等恶劣气象条件对于户外应用至关重要。本文提出一种名为课程模型自适应（CMAda）的新方法，利用合成与真实雾图数据，通过多步从轻度合成雾逐步自适应到浓密真实雾的语义分割模型。此外，我们还给出了三项独立的主要贡献：1）一种利用语义输入向真实晴好天气场景添加合成雾的新方法；2）一种新的雾浓度估计器；3）Foggy Zurich 数据集，包含 张真实雾图，其中 张浓雾图像具有像素级语义标注。实验表明：1）在语义浓雾场景理解（SFSU）任务上，我们的雾模拟略优于一种最先进的竞争模拟方法；2）CMAda 通过利用无标注真实雾图数据，显著提升了最先进 SFSU 模型的性能。数据集与代码已公开。
引用
@article{arxiv.1808.01265,
title = {Model Adaptation with Synthetic and Real Data for Semantic Dense Foggy Scene Understanding},
author = {Christos Sakaridis and Dengxin Dai and Simon Hecker and Luc Van Gool},
journal= {arXiv preprint arXiv:1808.01265},
year = {2018}
}
备注
final version, ECCV 2018