RiWNet：一种在恶劣天气条件下鲁棒的运动目标实例分割网络
计算机视觉与模式识别
2021-09-07 v1
摘要
对场景中每个运动目标实例进行分割对许多应用至关重要。但如同许多其他计算机视觉任务，该任务在最优天气下表现良好，而在恶劣天气下往往失效。为在天气条件下保持鲁棒性，通常做法是在给定天气模式的数据上训练网络或融合多传感器。我们关注一种新的可能，即通过网络结构设计提升其对天气干扰的适应能力。首先，我们提出一种称为RiWFPN的新型FPN结构，具有渐进式自顶向下交互与注意力精炼模块。RiWFPN可直接替换其他FPN结构以提升网络在非最优天气条件下的鲁棒性。随后我们将SOLOV2扩展以捕获视频中的时序信息来学习运动信息，并提出带有RiWFPN的运动目标实例分割网络RiWNet。最后，为验证运动实例分割在不同天气干扰下的效果，我们提出VKTTI-moving数据集，这是一个基于VKTTI数据集的运动实例分割数据集，考虑了雨、雾、日落、清晨以及阴天等不同天气场景。实验证明了相较于其他FPN结构，RiWFPN如何提升网络对恶劣天气影响的适应能力。我们在若干具挑战性数据集上将RiWNet与几种其他最先进方法比较，RiWNet展现出更优性能，尤其在恶劣天气条件下。
引用
@article{arxiv.2109.01820,
title = {RiWNet: A moving object instance segmentation Network being Robust in adverse Weather conditions},
author = {Chenjie Wang and Chengyuan Li and Bin Luo and Wei Wang and Jun Liu},
journal= {arXiv preprint arXiv:2109.01820},
year = {2021}
}
备注
12 pages, 10 figures