RFGLNet para la segmentación semántica generalizada en el dominio de clima adverso con mejora de rango bajo de...

Área de la Ciencia:

• Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
• La inteligencia artificial es inteligencia artificial.
• Robótica y Robótica Robótica y Robótica Robótica Robótica Robótica Robótica Robótica Robótica

Sus antecedentes:

• La segmentación semántica en condiciones climáticas adversas es un desafío debido a la mala visibilidad y el ruido.
• Los métodos existentes luchan con los detalles del objeto y el contexto global en condiciones severas.
• La generalización de dominio (DG) tiene como objetivo mejorar la robustez del modelo en entornos invisibles.

Objetivo del estudio:

• Desarrollar un modelo de segmentación semántica generalizada de dominio para un rendimiento robusto en condiciones climáticas adversas.
• Para mejorar la captura de detalles de objetos y estructuras globales en condiciones difíciles.
• Para permitir una percepción confiable de los sistemas de conducción autónoma.

Principales métodos:

• Se introdujo RFGLNet, que incorporaba el módulo de bajo rango inicializado por SVD, la atención de canal mejorada por Fourier y la atención espacial de modelado agrupado.
• Aprovechó la información del dominio de frecuencia a través de las transformadas de Fourier para mejorar la percepción global.
• Descomposición de valor singular empleada (SVD) para un ajuste fino eficiente de los parámetros.

Principales resultados:

• RFGLNet logró una intersección media sobre la unión (mIoU) del 78,3% en el conjunto de datos de tiempo adverso de ACDC.
• El modelo demostró una mejor precisión de segmentación en condiciones difíciles.
• RFGLNet requería sólo 4,32 millones de parámetros entrenables, lo que indica la eficiencia de los parámetros.

Conclusiones:

• RFGLNet ofrece una solución robusta para la segmentación semántica generalizada por dominio en condiciones climáticas adversas.
• Los módulos propuestos mejoran efectivamente la extracción de características globales y locales.
• El modelo muestra una promesa significativa para mejorar la seguridad y la confiabilidad de la conducción autónoma.