通过传感器数据融合在恶劣天气条件下实现鲁棒语义分割
计算机视觉与模式识别
2019-05-27 v1 机器学习
机器人学
摘要
在恶劣天气条件下鲁棒且可靠的语义分割对自动驾驶汽车非常重要,但大多数最先进的方法仅在最优天气条件下达到高准确率。原因是它们仅针对良好天气条件和给定噪声模型进行优化。然而,如果出现具有未知扰动的数据,它们大多数会失效,且性能急剧下降。仍获得可靠结果的一种可能性是使用不同传感器类型(如相机和激光雷达)观测环境,并通过神经网络融合传感器数据,因为不同传感器在不同天气条件下表现不同。因此,传感器可通过适当的传感器数据融合相互补充。尽管如此,基于融合的方法仍易受扰动影响,且无法正确分类受扰动的图像区域。该问题可通过一种特殊的训练方法解决,即所谓的鲁棒学习方法(RLM),一种使神经网络学会处理未知噪声的方法。在本工作中,比较了两种用于语义分割的不同传感器融合架构,并在多个数据集上进行了评估。此外,表明RLM极大提升了在恶劣天气条件下的鲁棒性,并在神经网络未学习任何扰动模型的情况下取得了良好结果。
引用
@article{arxiv.1905.10117,
title = {Robust Semantic Segmentation in Adverse Weather Conditions by means of Sensor Data Fusion},
author = {Andreas Pfeuffer and Klaus Dietmayer},
journal= {arXiv preprint arXiv:1905.10117},
year = {2019}
}