SNE-RoadSeg：将表面法线信息引入语义分割以实现精确可行驶空间检测
计算机视觉与模式识别
2020-08-27 v1 机器人学
图像与视频处理
摘要
可行驶空间检测是自动驾驶汽车视觉感知的重要组成部分。近期在数据融合卷积神经网络（CNNs）方面的努力已显著改进了语义驾驶场景分割。可行驶空间可被假设为地平面，其上各点具有相似表面法线。因此，在本文中我们首先引入一个名为表面法线估计器（SNE）的新颖模块，它能够以高精度与高效率从稠密深度/视差图像推断表面法线信息。此外，我们提出了一种数据融合 CNN 架构，称为 RoadSeg，其可提取并融合来自 RGB 图像与所推断表面法线信息的特征，以实现精确可行驶空间检测。出于研究目的，我们发布了一个大规模合成可行驶空间检测数据集，名为 Ready-to-Drive（R2D）道路数据集，其采集于不同光照与天气条件下。实验结果表明，我们所提 SNE 模块有益于所有最先进（SOTA）的 CNN 进行可行驶空间检测，且我们的 SNE-RoadSeg 在不同数据集中均取得最佳综合性能。
引用
@article{arxiv.2008.11351,
title = {SNE-RoadSeg: Incorporating Surface Normal Information into Semantic Segmentation for Accurate Freespace Detection},
author = {Rui Fan and Hengli Wang and Peide Cai and Ming Liu},
journal= {arXiv preprint arXiv:2008.11351},
year = {2020}
}
备注
ECCV 2020