MineSDS:一个统一的框架,用于小型物体检测和可驱动区域分割,用于开放式采矿场景

科学领域:

• 计算机视觉 计算机视觉
• 机器人技术 机器人技术 机器人技术
• 自主系统 自主系统

背景情况:

• 采矿环境对自动驾驶系统构成独特的挑战,包括密集的小物体和定义不佳的可驾驶区域.
• 现有的感知系统与露天采矿的非结构化和复杂性作斗争,影响安全和效率.
• 卷积网络中的多任务学习显示了提高自动驾驶的感知能力的前景.

研究的目的:

• 在采矿场景中开发一个端到端的框架,用于同时检测小物体和驱动区域细分.
• 提高在露天采矿中运行的自动驾驶汽车感知系统的准确性和稳定性.
• 解决在未结构化的环境中检测小物体和细分模糊的道路界限的局限性.

主要方法:

• 在多任务学习方法中利用卷积网络骨干进行特征提取.
• 引入了一个轻量级的注意力模块,通过专注于空间和通道维度来增强小物体检测.
• 在细分子网络中使用卷积块注意模块来改进道路边界特征映射.
• 在损失函数中实现加权总和,以提高两项任务的感知精度.

主要成果:

• 在Minescape数据集上实现了87.8%的物体检测平均精度 (mAP),超过了最先进的9.3%.
• 与现有的算法相比,在欧盟 (MIoU) 上的平均交叉点 (MIoU) 中,可驱动区域细分率提高了1%.
• 在检测和细分任务中表现出具有竞争力的性能和增强的感知准确性.

结论:

• 拟议的端到端框架有效地解决了采矿中小物体检测和可驱动区域细分的挑战.
• 注意模块和加权损失函数的集成显著提高了复杂的采矿环境中的感知精度.
• 该框架提供了一个强大的解决方案,以提高开采矿的自主操作的安全性和效率.