昼夜目标分割：用于热红外图像语义分割的边缘条件 CNN
计算机视觉与模式识别
2019-07-29 v1
摘要
尽管图像语义分割已取得诸多研究进展，但由于可见光谱的成像局限性，在恶劣环境条件下仍具挑战性。热红外相机相较于可见光谱相机具有诸多优势，如能在完全黑暗中工作、对光照变化不敏感、对阴影效应具有鲁棒性以及强大的穿透雾霾能力。热红外相机的这些优势使得昼夜语义目标分割成为可能。在本文中，我们提出了一种称为边缘条件卷积神经网络（EC-CNN）的新型网络架构，用于热红外图像语义分割。具体而言，我们在 EC-CNN 中精心设计了一个门控特征变换层，以自适应地融入边缘先验知识。整个 EC-CNN 进行端到端训练，并能在边缘引导下生成高质量的分割结果。同时，我们还引入了一个名为“昼夜目标分割”（SODA）的新基准数据集，用于全面评估热红外图像语义分割。SODA 包含超过 7,168 张手动标注和合成生成的热红外图像，带有 20 种语义区域标签，涵盖广泛的视角和场景复杂度。在 SODA 上的大量实验证明了所提出的 EC-CNN 相较于 SOTA 方法的有效性。
引用
@article{arxiv.1907.10303,
title = {Segmenting Objects in Day and Night:Edge-Conditioned CNN for Thermal Image Semantic Segmentation},
author = {Chenglong Li and Wei Xia and Yan Yan and Bin Luo and Jin Tang},
journal= {arXiv preprint arXiv:1907.10303},
year = {2019}
}
备注
Submitted it to IEEE TNNLS. arXiv admin note: text overlap with arXiv:1806.01013 by other authors