基于多任务学习和密集注意力计算的自我监督的几次射击语义细分方法
Kai Yi1, Weihang Wang2, Yi Zhang2
1Intelligent Policing Key Laboratory of Sichuan Province, Luzhou 646099, China.
Sensors (Basel, Switzerland)
|August 10, 2024
概括
本研究介绍了一种自主监督的短拍语义细分方法 (MLDAC),用于自动驾驶. MLDAC显著减少了智能车辆感知系统的手动注释需求.
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:
- 智能汽车依赖视觉系统来理解场景,利用语义细分.
- 传统的监督语义细分需要广泛的像素级手动注释,这是劳动密集型的.
- 简单的方法可以减少注释,但仍然很苛刻.
研究的目的:
- 提出一种新的自我监督的短拍语义细分方法 (MLDAC).
- 为了减少对手册注释的依赖,在训练自动驾驶的语义细分模型中.
- 提高感知系统的概括能力和效率.
主要方法:
- 使用多任务学习和密集注意力计算 (MLDAC) 开发了一种自我监督的几次射击语义细分方法.
- 采用Swin变压器作为多尺度特征提取的支柱.
- 集成的密集注意力计算块和跨尺度混合与功能跳过连接.
主要成果:
- 在PASCAL-5i和COCO-20i数据集上分别实现了55.1%和26.8%的一次性mIoU.
- 在FSS-1000数据集上表现出强的表现,准确度为78.1%.
- 验证了拟议的MLDAC方法在自主监督的少数镜头细分任务中的有效性.
结论:
- MLDAC有效地减少了自动驾驶中的语义细分的注释负担.
- 该方法在几次拍摄的细分精度和概括性方面取得了显著的改进.
- MLDAC为智能汽车的高效场景理解提供了一个有希望的方向.
