SOSNet:通过分层解码和示例挖掘实时小物体细分

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 自主系统 自主系统

背景情况:

• 实时语义细分对于自动驾驶汽车至关重要.
• 现有的方法难以准确对汽车和标志等小物体进行细分.
• 大物体通常会主导细分结果,掩盖较小的物体.

研究的目的:

• 提出一个高效和有效的架构,小物体细分网络 (SOSNet),以改进小物体细分.
• 为了解决实时应用中细分小对象的性能差距.
• 为了提高自动驾驶语义细分的整体准确性和可靠性.

主要方法:

• 介绍了小物体细分网络 (SOSNet) 架构.
• 开发了一种双分支层次解码器 (DBHD) 用于小对象敏感细分.
• 提出了一个小对象示例挖掘 (SOEM) 算法来平衡训练数据.

主要成果:

• 与现有的实时方法相比,SOSNet显著提高了小物体的细分精度.
• 双分支层次解码器有效地捕获小物体的特征.
• 小物体示例挖掘算法平衡数据集,改善模型概括性.
• 在三个数据集上的实验表明SOSNet在保持效率的同时具有卓越的性能.

结论:

• 索斯网为小型对象实时语义细分提供了显著的进步.
• 拟议的DBHD和SOEM有助于更强大,更准确的自动驾驶汽车感知系统.
• 在自动驾驶领域,SOSNet为关键的小物体细分任务提供了高效的解决方案.