基于域适应的多模型学习用于实时车载雾天语义场景理解
计算机视觉与模式识别
2020-12-11 v1
摘要
面向汽车应用的鲁棒语义场景分割在两个方面具有挑战性：(1) 对每个场景像素进行标注；(2) 在不稳定的天气和光照变化（例如雾天）下执行该任务，导致室外场景能见度差。这种能见度限制使得基于通用深度卷积神经网络的语义场景分割性能不佳。本文提出了一种对雾天条件鲁棒的高效端到端车载语义场景理解方法。作为端到端流程，我们提出的方法提供：(1) 使用域迁移方法将图像从雾天转换为晴朗天气条件（校正较差的能见度）；(2) 使用具有低计算复杂度的竞争性编码器-解码器架构对场景进行语义分割（实现实时性能）。我们的方法通过具有密集连接和特征融合的不同编码器整合 RGB 彩色、深度和亮度图像，以有效利用来自不同输入的信息，这有助于在整个模型内实现最优特征表示。利用这种具有密集跳跃连接的架构设计，我们的模型以整体模型复杂度的一小部分达到了与当代方法相当的性能。
引用
@article{arxiv.2012.05320,
title = {Multi-Model Learning for Real-Time Automotive Semantic Foggy Scene Understanding via Domain Adaptation},
author = {Naif Alshammari and Samet Akcay and Toby P. Breckon},
journal= {arXiv preprint arXiv:2012.05320},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1909.07697