EnRDeA U-Net 在复杂的噪音道路上深入学习语义细分
Xiaodong Yu1, Ta-Wen Kuan1, Shih-Pang Tseng1,2
1School of Information Science and Technology, Sanda University, No. 2727 Jinhai Road, Shanghai Pudong District, Shanghai 201209, China.
Entropy (Basel, Switzerland)
|July 29, 2023
概括
本研究介绍了EnRDeA U-Net,用于在具有挑战性的条件下进行强大的道路细分. 这种新的架构有效地处理复杂的道路噪音,提高了自动驾驶扫除机器人 (SDSB) 等自动驾驶系统的性能.
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
- 机器学习 机器学习
背景情况:
- 道路细分对于自动驾驶扫地机器人 (SDSB) 等自动驾驶系统至关重要.
- 由于天气,照明,障碍物和道路退化造成的噪音,现实道路状况带来了重大挑战.
- 现有的U-Net架构与这些复杂的环境因素作斗争.
研究的目的:
- 开发和验证一个增强的U-Net模型,EnRDeA U-Net,以改善道路细分.
- 为了评估EnRDeA U-Net与其他U-Net扩展的性能,在数据集上使用复杂的道路噪声.
- 在不利条件下分析不同U-Net模型的特性和细分能力.
主要方法:
- 提出了EnRDeA U-Net,将一个剩余的U-Net块作为编码器和一个注意门作为解码器.
- 使用了一组数据集,其中包括复杂的道路噪声条件 (阳光,阴影,障碍物,裂,各种材料).
- 将EnRDeA U-Net与原始U-Net和剩余U-Net进行比较,分析它们的结构,参数和性能.
主要成果:
- EnRDeA U-Net 在复杂的道路噪音数据集上展示了有效的验证.
- 对所有三个U-Net扩展进行了对网络特征和细分性能的详细分析.
- 实验结果提供了关于网络结构,培训损失和性能指标的全面数据.
结论:
- EnRDeA U-Net显示了在具有挑战性的现实场景中提高道路细分精度的前景.
- 该研究提供了有关不同U-Net架构在噪音条件下的性能的宝贵见解.
- 这些发现有助于开发更可靠的自动驾驶系统.
