基于多尺度谱注意力模块的自动驾驶场景下的高光谱分割
计算机视觉与模式识别
2026-05-08 v2 人工智能
摘要
近期的自动驾驶（AD）进展凸显了高光谱成像（HSI）在特定天气和光照条件下增强环境感知的潜力。然而，高效处理高维光谱数据仍是一个重大挑战。本文对一种多尺度注意力机制（MSAM）进行了经验性研究，通过三个具有不同卷积核大小（1-11）的平行 1D 卷积实现光谱特征提取，并采用自适应特征聚合。通过将 MSAM 集成到 UNet 的跳跃连接中，我们评估了在多个用于城市驾驶场景的 HSI 数据集上的语义分割性能提升。综合的消融研究表明，MSAM 持续优于基线 UNet-SC，在 mIoU 和 mF1 上分别实现平均提升 2.32% 和 2.88%，同时在 GPU 性能上与已建立的注意力机制保持具竞争力。我们的发现表明，最佳卷积核组合取决于数据集，诸如 (1;5;11) 和 (3;7;11) 配置在特定数据集上表现尤为出色。本经验性研究推进了对 HSI 在 AD 应用中处理能力的理解，为汽车部署中的自适应多尺度光谱特征提取奠定了基础。
引用
@article{arxiv.2506.18682,
title = {Multi-Scale Spectral Attention Module-based Hyperspectral Segmentation in Autonomous Driving Scenarios},
author = {Imad Ali Shah and Jiarong Li and Tim Brophy and Martin Glavin and Edward Jones and Enda Ward and Brian Deegan},
journal= {arXiv preprint arXiv:2506.18682},
year = {2026}
}