鱼SegSSL:一个半监督的语义细分框架,用于鱼眼图像
Sneha Paul1, Zachary Patterson1, Nizar Bouguila1
1Concordia Institute for Information Systems Engineering (CIISE), Concordia University, Montreal, QC H3G1M8, Canada.
Journal of imaging
|March 27, 2024
概括
本研究介绍了FishSegSSL,这是一种用于细分鱼眼图像的新型半监督学习框架,与自动驾驶应用中的完全监督方法相比,其性能提高了10%以上.
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:
- 大视野 (FoV) 鱼眼摄像机在自动驾驶等应用中提供了优势.
- 计算机视觉的深度学习通常依赖于大型标记数据集,而这些数据集对于鱼眼图像来说是稀缺的.
- 半监督学习提供了一种可行的方法来解决鱼眼图像分析中的数据限制.
研究的目的:
- 探索和对现有的半监督学习方法进行比较,用于鱼眼图像细分.
- 引入FishSegSSL,这是一个新的框架,旨在半监督鱼眼图像的语义细分.
- 评估FishSegSSL在车载摄像机的真实数据集上的有效性.
主要方法:
- 在鱼眼图像的背景下对两个已建立的半监督学习技术进行比较.
- 开发FishSegSSL框架,包括伪标签过,动态信任值和强大的增强.
- 使用WoodScape数据集,该数据集包含车载鱼眼相机的图像.
主要成果:
- 与完全监督的方法相比,FishSegSSL实现了高达10.49%的性能改进,具有同等标记数据.
- 拟议的方法将现有的图像细分技术提高了2.34%.
- 这项研究是对半监督语义细分的首次研究,专门用于鱼眼图像.
结论:
- 半监督学习对于鱼眼图像细分是有效的,克服了数据稀缺的挑战.
- 新的FishSegSSL框架显示出显著的性能提升和稳定性.
- 进一步的废除研究和灵敏度分析证实了FishSegSSL.com中的各个成分的疗效.
