面向自动驾驶中严重度感知语义分割的强化 Wasserstein 训练
计算机视觉与模式识别
2020-08-12 v1 机器学习
性能
机器人学
摘要
语义分割对许多现实系统（如自动驾驶车辆）十分重要，其任务是预测每个像素的类别。近来，深度网络借助交叉熵损失在平均交并比（mIoU）上取得了显著进展。然而，交叉熵损失本质上会忽略自动驾驶车辆不同错误预测失误之间严重程度的差异。例如，将汽车预测为道路远比将其识别为公交车更严重。针对这一困难，我们提出了一种 Wasserstein 训练框架，通过定义其底度量（ground metric）为误分类严重程度来探索类间相关性。Wasserstein 距离的底度量可根据特定任务的经验预先定义。从优化视角出发，我们进一步提出将底度量设为预定义底度量的增函数。此外，提出了一种利用高保真 CARLA 模拟器的底矩阵自适应学习方案。具体而言，我们遵循一种强化交替学习方案。在 CamVid 和 Cityscapes 数据集上的实验证明了我们 Wasserstein 损失的的有效性。SegNet、ENet、FCN 和 Deeplab 网络均可按即插即用的方式适配。我们在预定义的重要类别上取得了显著提升，并在模拟器中获得了更长的连续运行时间。
引用
@article{arxiv.2008.04751,
title = {Reinforced Wasserstein Training for Severity-Aware Semantic Segmentation in Autonomous Driving},
author = {Xiaofeng Liu and Yimeng Zhang and Xiongchang Liu and Song Bai and Site Li and Jane You},
journal= {arXiv preprint arXiv:2008.04751},
year = {2020}
}
备注
Accepted to IEEE Transactions on Intelligent Transportation Systems (T-ITS)