面向道路场景分析的物理论证可行的偏振数据增强
计算机视觉与模式识别
2022-06-16 v1 人工智能
摘要
偏振成像与深度学习相结合，在包括场景分析在内的多项任务上展现出性能提升。然而，由于训练数据集规模较小，其鲁棒性可能受到质疑。尽管该问题可通过数据增强解决，但偏振模态受到经典数据增强技术所未处理的物理可行性约束。为此，我们提出使用CycleGAN——一种仅依赖非配对数据的基于深度生成模型的图像翻译技术——将大型带标签道路场景数据集迁移至偏振域。我们设计了若干辅助损失项，与CycleGAN损失共同处理偏振图像的物理约束。该方案在道路场景目标检测任务上的有效性得到验证：生成的逼真偏振图像使车辆与行人检测性能提升高达9%。所得到的约束化CycleGAN已公开发布，任何人皆可生成自己的偏振图像。
引用
@article{arxiv.2206.07431,
title = {Physically-admissible polarimetric data augmentation for road-scene analysis},
author = {Cyprien Ruffino and Rachel Blin and Samia Ainouz and Gilles Gasso and Romain Hérault and Fabrice Meriaudeau and Stéphane Canu},
journal= {arXiv preprint arXiv:2206.07431},
year = {2022}
}