恶劣条件下的语义分割：一种基于天气与夜间感知合成数据的方法
计算机视觉与模式识别
2022-10-12 v1 图形学
机器学习
摘要
近期的语义分割模型在标准天气条件和充足光照下表现良好，但在恶劣天气条件和夜间却表现不佳。在这些条件下收集和标注训练数据成本高昂、耗时、易出错且并非总是可行。通常，合成数据被用作增加训练数据量的可行数据源。然而，直接采用合成数据实际上可能损害模型在正常天气条件下的性能，同时在恶劣情况下仅获得微小增益。因此，我们提出了一种专为利用合成训练数据进行域适应而设计的新型架构。我们在 DeepLabV3+ 上提出了一个简单而强大的改进，通过使用以多任务学习训练的天气与一天中时段监督器，使其兼具天气与夜间感知能力，从而在 ACDC 数据集上将其 mIoU 精度提升 个百分点，同时在 Cityscapes 数据集上保持 mIoU 的分数。我们的代码可在 https://github.com/lsmcolab/Semantic-Segmentation-under-Adverse-Conditions 获取。
引用
@article{arxiv.2210.05626,
title = {Semantic Segmentation under Adverse Conditions: A Weather and Nighttime-aware Synthetic Data-based Approach},
author = {Abdulrahman Kerim and Felipe Chamone and Washington Ramos and Leandro Soriano Marcolino and Erickson R. Nascimento and Richard Jiang},
journal= {arXiv preprint arXiv:2210.05626},
year = {2022}
}
备注
This paper is accepted by BMVC 2022