SELMA：可变天气、 daytime与视点下的语义大规模多模态采集
计算机视觉与模式识别
2022-04-22 v1 人工智能
摘要
由安装于车辆上的多种传感器实现精确场景理解是自动驾驶系统的关键需求。如今，该任务主要通过数据饥渴的深度学习技术完成，其需要极大量的数据进行训练。由于进行分割标注成本高昂，许多合成数据集被提出。然而，它们大多缺失数据的多传感器本质，且未捕捉由daytime与天气条件变化引入的显著改变。为填补这些空白，我们引入SELMA，一个新颖的用于语义分割的合成数据集，其包含从24种不同传感器（包括RGB、深度、语义相机与LiDARs）在27种不同大气与daytime条件下获取的超过30K个独特路径点，总计超过20M样本。SELMA基于CARLA（一个用于生成自动驾驶场景合成数据的开源模拟器），我们对其进行了修改以增加场景与类别集合中的可变性与多样性，并使其与其他基准数据集对齐。如实验评估所示，SELMA允许标准与多模态深度学习架构的高效训练，并在真实世界数据上取得显著结果。SELMA免费且公开可用，从而支持开放科学与研究。
引用
@article{arxiv.2204.09788,
title = {SELMA: SEmantic Large-scale Multimodal Acquisitions in Variable Weather, Daytime and Viewpoints},
author = {Paolo Testolina and Francesco Barbato and Umberto Michieli and Marco Giordani and Pietro Zanuttigh and Michele Zorzi},
journal= {arXiv preprint arXiv:2204.09788},
year = {2022}
}
备注
14 figures, 14 tables. This paper has been submitted to IEEE. Copyright may change without notice