基于车载摄像头的安全与健康导向网联驾驶环境感知自监督多任务学习框架
计算机视觉与模式识别
2023-06-22 v1
摘要
近年来，前沿的网联车辆（CV）技术引起了广泛关注。网联车辆捕获的实时交通数据可与其他网联车辆和数据中心共享，从而为解决多样的交通问题开辟了新的可能。然而，网联环境下由车载摄像头捕获的图像尚未得到充分研究，尤其是面向安全与健康的视觉感知。本文提出了一种图像合成与分解的双向过程（BPISD）方法，并由此构建了一个新颖的自监督多任务学习框架，用于同时估计深度图、大气能见度、大气光（airlight）以及 PM2.5 质量浓度，其中深度图与能见度被认为与交通安全高度相关，而大气光与 PM2.5 质量浓度则与人类健康直接相关。所提系统的训练与测试阶段均仅需单幅图像作为输入。得益于创新的训练流程，深度估计网络能够处理不同等级的能见度条件，并克服当前基于图像合成的深度估计中的固有缺陷，从而即使在低能见度情形下也能生成高质量深度图，并进一步有利于能见度、大气光和 PM2.5 质量浓度的准确估计。在 KITTI 合成数据及北京采集的真实世界数据上的大量实验表明，所提方法能够（1）在以清晰图像作为输入时，取得与最先进（SOTA）方法相竞争的深度估计性能；（2）为受不同程度雾霾污染的图像预测出生动的深度图；（3）准确估计能见度、大气光和 PM2.5 质量浓度。基于本工作可开发有益的应⽤，以改善交通安全、空气质量与公共健康。
引用
@article{arxiv.2306.11822,
title = {Self-supervised Multi-task Learning Framework for Safety and Health-Oriented Connected Driving Environment Perception using Onboard Camera},
author = {Shaocheng Jia and Wei Yao},
journal= {arXiv preprint arXiv:2306.11822},
year = {2023}
}