基于混合循环GAN的轻量级道路感知管道,用于为城市移动性生成道路数据集
Balaji Ganesh Rajagopal1, Manish Kumar2, Abdulaziz H Alshehri3
1Department of Computer Science and Engineering, SRM Institute of Science and Technology (SRMIST), Tiruchirappalli Campus, Tamil Nadu, India.
PloS one
|November 30, 2023
概括
本研究介绍了一种新的Sim2Real算法,使用循环生成对抗网络 (CycleGAN) 将模拟的道路数据转换为现实的街景. 这种方法解决了用于深度学习的大规模标记数据集的挑战,改善了现实世界的应用通用化.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 训练深度学习模型需要大型标记数据集,这些数据集的创建是昂贵和耗时的.
- 模拟数据集提供了规模,但往往无法将其推广到现实世界的场景中.
- 弥合模拟和真实数据 (Sim2Real传输) 之间的差距对于实际的AI应用至关重要.
研究的目的:
- 开发一个强大的Sim2Real算法,从语义分段地图生成现实的街景.
- 利用丰富的模拟数据,在数据密集型任务中训练深度学习模型.
- 提高模型的通用性,用于城市移动和交通分析等应用.
主要方法:
- 为Sim2Real传输提出了一个新的发电机网络.
- 使用了循环生成对抗网络 (CycleGAN) 架构.
- 使用Cityscapes数据集将语义细分标签转换为现实的街景.
- 在KITTI数据集上使用轻量级SVM对原始机器人数据集和道路感知进行了评估.
主要成果:
- 在交通分析应用中取得了质量上令人满意的结果.
- 证明了CycleGAN在不同数据集之间的Sim2Real传输方面的有效性.
- 拟议的CycleGAN模型在Cityscapes和KITTI数据集上实现了不到0.2的身份丢失.
- 证实了超像素分辨率对定量结果的积极影响.
结论:
- 开发的Sim2Real算法有效地生成现实的街景,解决深度学习中的数据稀缺问题.
- 在各种应用中,CycleGAN显示出对Sim2Real传输的强大通用性.
- 这种方法对提高城市流动性和智能城市的交通分析充满希望.
