基于偏振编码图像与适配深度学习的恶劣天气条件下道路场景分析
计算机视觉与模式识别
2019-10-14 v1 机器学习
机器学习
摘要
道路场景中的目标检测对于开发自动驾驶车辆和驾驶辅助系统是必要的。即便用于识别任务的深度神经网络在使用常规图像时表现出优异性能，它们在复杂采集情况下的道路场景中仍无法检测目标。相比之下，表征光波的偏振图像即使在弱光照或强反射下，也能鲁棒地描述物体重要的物理属性。本文展示了非 conventional 偏振成像模态如何克服传统方法在目标检测上的不足，尤其在恶劣天气条件下。所提方法的效率主要归因于偏振术通过其反射特性区分任何物体的高能力，以及深度神经网络在目标检测中的使用。我们通过本工作旨在证明，与 RGB 图像相比，偏振术为目标检测带来了真正的附加价值。在我们自己由恶劣天气条件下道路场景图像组成的数据集上的实验结果表明，偏振术结合深度学习在不同检测任务上可将最先进水平提升约 20% 至 50%。
引用
@article{arxiv.1910.04870,
title = {Road scenes analysis in adverse weather conditions by polarization-encoded images and adapted deep learning},
author = {Rachel Blin and Samia Ainouz and Stéphane Canu and Fabrice Meriaudeau},
journal= {arXiv preprint arXiv:1910.04870},
year = {2019}
}