RSS-Net：基于 FMCW 雷达的弱监督多类语义分割
计算机视觉与模式识别
2020-04-08 v1 机器人学
摘要
本文提出了一种高效的标注流程，及其在使用 FMCW 扫描雷达对感知环境进行端到端丰富语义分割中的应用。我们主张使用雷达而非该任务传统的传感器，因为雷达作用距离更远，且对恶劣天气和光照条件具有显著更强的鲁棒性。我们通过利用迄今收集的最大规模的以雷达为中心的城市场景自主数据集，将雷达扫描与 RGB 相机和 LiDAR 传感器相关联，从而避免繁琐的人工标注；对于这些传感器，语义分割已是成熟流程。训练流程借助一个公开可用的前沿自然图像分割系统，因此与以往方法不同，能够通过融合四个相机流和两个 LiDAR 流为雷达流生成大量标签。此外，损失计算通过将 LiDAR 回波沿当前车辆位置前后的位姿链进行累积，以考虑到雷达传感器地平线处的标签。最后，我们向网络输入多通道雷达扫描，以处理瞬时和动态场景物体。
引用
@article{arxiv.2004.03451,
title = {RSS-Net: Weakly-Supervised Multi-Class Semantic Segmentation with FMCW Radar},
author = {Prannay Kaul and Daniele De Martini and Matthew Gadd and Paul Newman},
journal= {arXiv preprint arXiv:2004.03451},
year = {2020}
}
备注
submitted to IEEE Intelligent Vehicles Symposium (IV) 2020