基于超列局部专家随机森林的非结构化道路分割
计算机视觉与模式识别
2022-07-26 v1
摘要
基于单目视觉的道路检测方法大多基于机器学习方法，依赖分类与特征提取精度，并受外观、光照与天气变化影响。传统方法将预测引入条件随机场或马尔可夫随机场模型，以基于结构改进中间预测。这些方法基于优化因而资源消耗大且缓慢，不适合实时应用。我们提出一种使用局部专家随机森林分类器结合基于超像素的机器学习特征来检测与分割道路的方法。该随机森林接收来自预训练卷积神经网络 VGG-16 的机器学习描述子。这些特征还被池化到各自超像素中，使局部结构保持连续。我们在结构化道路(CamVid 与 Kitti)与非结构化道路数据集上将我们的算法与基于神经网络的方法及传统方法(基于手工特征)进行比较。最后，我们引入一个含 1000 张标注图像的道路场景数据集，并验证我们的算法在非城市与乡村道路场景中表现良好。
引用
@article{arxiv.2207.11523,
title = {Unstructured Road Segmentation using Hypercolumn based Random Forests of Local experts},
author = {Prassanna Ganesh Ravishankar and Antonio M. Lopez and Gemma M. Sanchez},
journal= {arXiv preprint arXiv:2207.11523},
year = {2022}
}
备注
for associated dataset, see https://prassanna-ravishankar.github.io/LandscapeDataset/