面向自动驾驶场景理解的全卷积网络芯片级高光谱图像分割
计算机视觉与模式识别
2024-12-02 v1 人工智能
机器学习
图像与视频处理
摘要
当前大多数基于计算机视觉的高级车辆辅助系统(ADAS)在正常条件下能够成功地执行目标检测和跟踪。然而，在恶劣天气、光照变化以及大量重叠目标的复杂情形下，这些系统的可靠性仍有不足。超出可见光光谱范围内的不同物体的光谱反射率可提供额外信息，以提高这些系统的可靠性，尤其是在具有挑战性的驾驶条件下。此外，这些信息可能足以发展出能够更好理解和解释整个驾驶场景的视觉系统。在本工作中，我们探讨在ADAS中使用瞬时、视频率高光谱成像(HSI)相机的可能性，假设近红外(NIR)光谱反射率可帮助在真实驾驶场景中更好地分割目标。为此，我们使用HSI-Drive 1.1数据集进行各种实验，以测试光谱分类算法。然而，由于色彩不变性不足以及当前瞬时HSI技术的固有局限性，自然户外场景中高光谱录制信息的获取具有挑战性，这给纯光谱分类器的开发施加了一些限制。因此，本工作分析了标准小型全卷积网络(FCN)模型编码的空间特征在何种程度上可以提高HSI分割系统在ADAS应用中的性能。由于投稿限制，摘要被截断。如需获取完整摘要，请参考已发表的文章。
引用
@article{arxiv.2411.19274,
title = {On-chip Hyperspectral Image Segmentation with Fully Convolutional Networks for Scene Understanding in Autonomous Driving},
author = {Jon Gutiérrez-Zaballa and Koldo Basterretxea and Javier Echanobe and M. Victoria Martínez and Unai Martínez-Corral and Óscar Mata Carballeira and Inés del Campo},
journal= {arXiv preprint arXiv:2411.19274},
year = {2024}
}