条件不变的语义细分 条件不变的语义细分
概括
这项研究引入了条件不变语义细分 (CISS) 以改善在不断变化的条件下视觉感知. CISS增强了功能级别的适应性,优于以前用于强大的自动化系统的方法.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 机器人技术 机器人技术 机器人技术
背景情况:
- 强大的视觉感知对于汽车和机器人等自动驾驶系统至关重要.
- 现有的特征级适应方法与条件级适应作斗争,往往表现不佳于更简单的像素级风格化技术.
研究的目的:
- 开发一种新的特征级适应方法,利用造型来改善语义细分中的条件级适应.
- 增强语义细分网络在各种视觉条件中的稳定性.
主要方法:
- 拟议的条件不变语义细分 (CISS) 方法,该方法使用特征不变性损失从原始和风格化图像对齐内部网络特征.
- 在最先进的域调整架构上实现了CISS.
- 鼓励编码器提取风格不变的特征,允许解码器专注于语义解析.
主要成果:
- 在Cityscapes黑暗苏黎世基准 (日夜调整) 上取得了最先进的结果.
- 在Cityscapes ACDC基准指标 (正常与不良适应) 中获得第二好的表现.
- 证明了强大的泛化到未见的领域,如 BDD100K-night 和 ACDC-night.
结论:
- 在语义细分网络中,CISS有效地改善了条件级适应.
- 拟议的特征不变性损失可以在各种视觉环境中实现强大的感知.
- 在现实世界中,CISS代表了对自主系统感知的重大进步.
