NightLab：一种带难度检测的双层级夜间分割架构
计算机视觉与模式识别
2022-04-13 v1
摘要
夜间场景的语义分割是一个具有挑战性的问题，对自动驾驶等有影响的应用至关重要。然而，与白天场景分割相比，它受到的关注甚少。本文提出 NightLab，一种新颖的夜间分割框架，其利用多个嵌入夜间感知特征的深度学习模型，在多个夜间分割基准上取得当前最优（SoTA）性能。值得注意的是，NightLab 包含图像与区域两个粒度的模型，且每个粒度都由轻量适配与分割模块组成。给定夜间图像，图像级模型提供初始分割估计，同时难度检测模块识别需要进一步分析的区域及其周边上下文。区域级模型聚焦于这些困难区域以提供显著改善的分割。NightLab 中的所有模型均使用一组提出的夜间感知损失进行端到端训练，无需手工启发式规则。在 NightCity 和 BDD100K 数据集上的大量实验表明，NightLab 相比同期方法取得了 SoTA 性能。
引用
@article{arxiv.2204.05538,
title = {NightLab: A Dual-level Architecture with Hardness Detection for Segmentation at Night},
author = {Xueqing Deng and Peng Wang and Xiaochen Lian and Shawn Newsam},
journal= {arXiv preprint arXiv:2204.05538},
year = {2022}
}
备注
8pages, 6 figures, accept at CVPR 2022