我们改进了道路坑洞检测:从注意力聚合到对抗域适应
计算机视觉与模式识别
2021-04-21 v2 机器人学
摘要
由认证检查员执行的目视人工检查仍是道路坑洞检测的主要形式。然而,这一过程不仅繁琐、耗时、昂贵,而且对检查员而言十分危险。此外,道路坑洞检测结果总是主观的,因为它们完全依赖于个人经验。我们近期提出的视差(或逆深度)变换算法能更好地区分受损与未受损道路区域,并且可轻松部署到任意语义分割网络以获得更好的道路坑洞检测结果。为提升性能,我们提出了一种新颖的注意力聚合(AA)框架,其利用了不同类型注意力模块的优势。此外,我们开发了一种基于对抗域适应的有效训练集增强技术,其中生成合成道路 RGB 图像与变换后的道路视差(或逆深度)图像以增强语义分割网络的训练。实验结果表明:首先,变换后的视差(或逆深度)图像信息更丰富;其次,我们性能最佳的 AA-UNet 和 AA-RTFNet 分别优于所有其他最先进的单模态和数据融合网络用于道路坑洞检测;最后,基于对抗域适应的训练集增强技术不仅提高了最先进语义分割网络的精度,还加速了它们的收敛。
引用
@article{arxiv.2008.06840,
title = {We Learn Better Road Pothole Detection: from Attention Aggregation to Adversarial Domain Adaptation},
author = {Rui Fan and Hengli Wang and Mohammud J. Bocus and Ming Liu},
journal= {arXiv preprint arXiv:2008.06840},
year = {2021}
}
备注
16 pages, 7 figures and 2 tables. This paper is accepted by ECCV Workshops 2020