Aug, 2019

夜晚更清晰：通过昼夜图像转换实现强健的夜间语义分割

PDF
TL;DR使用生成式对抗网络 (GANs) 方法，我们提出了一个改善在恶劣条件下的语义分割准确度的框架，其中包括将夜间图像转换为白天图像，使用 GANs 生成夜间语义分割数据集，并使用白天数据集中的模型对其进行训练。在实验中发现，“夜间图像比例适当” 是使得性能最为稳定的最佳选择。
semantic segmentationnighttimegenerative adversarial networksdatasetsperformance
发现论文，激发创造
  • 暗模型适应：从白天到黑夜的语义图像分割

    本文提出了一种基于黄昏的方法，通过渐进适应白天场景训练的语义模型，从而实现对夜间场景的语义图像分割。同时，我们构建了一个道路场景数据集，包含从白天到黄昏和到夜晚的 3.5 万张图像，并密集标注了部分夜晚图像，实验证明该方法可以有效地将白天场景下的模型适应到夜晚场景，无需额外的人工标注。

    Oct, 2018

  • 改进基于全景的夜间或低光城市驾驶场景分割

    该论文提出了一种基于域转换方法的实用且高效的新型 Panoptic Segmentation 技术，以提高自动驾驶系统在夜间或光照不良环境下的性能和鲁棒性。

    Jun, 2023

  • DANNet: 一种单阶段领域适应网络用于无监督夜间语义分割

    本研究提出了一种基于领域自适应网络 (DANNet) 的夜晚语义分割方法，使用已标注的白天图像和包含粗略对齐的昼夜图像对的未标注数据集进行对抗训练。在未标注的昼夜图像对中，该方法利用白天图像上的像素级别样本来对其夜晚图像进行分割，通过重新加权策略处理由昼夜图像对之间的对齐问题和白天图像错误预测问题以及增强小目标预测准确率等精度问题。该方法在 Dark Zurich 和夜间行车数据集上取得了最先进的夜间语义分割成果。

    Apr, 2021

  • 语义夜间图像分割的指导课程模型适应与不确定性感知评估

    解决了夜晚图像语义分割的问题，提出了一种通过标记合成图像和真实图像来逐渐适应夜间的课程框架，并且设计了一个新的评估框架来处理夜间图像中的语义不确定性。

    Jan, 2019

  • HeatNet: 利用热成像技术缩小昼夜间语义分割差距

    本文提出了一种多模态语义分割模型，可以适用于日间和夜间场景，通过引入热成像技术和 RGB 照片，利用现有白天 RGB 数据集实现对夜间图像的学习，并提出了一个新的域对齐训练方法，在自动驾驶方面获得了最新的夜间语义分割结果。

    Mar, 2020

  • 暗面增强：为度量学习生成多样的夜间样本

    基于 CNN 描述符的图像检索方法依赖于从大量不同的正负图像对中进行度量学习。我们提出了一种基于 GAN 的合成图像生成器，将白天图像示例转换为夜晚图像，用作度量学习的一种形式的增强，并评估了各种类型的生成器。我们提出了一种通过边缘一致性增强原始图像与转换图像之间一致性的新型轻量级 GAN 架构，同时训练了一种适用于夜晚和白天图像的边缘检测器，并提出了一种多样锚点挖掘的新方法，旨在增加训练示例的变化性并最大化训练模型的泛化能力。该方法在标准的东京 24/7 昼夜检索基准上优于现有技术，同时保持了对牛津和巴黎数据集的性能。

    Sep, 2023

  • 基于地图引导的课程适应、不确定性感知评估：夜晚语义图像分割

    通过逐步改进昼夜时间的语义分割模型，并使用新的不确定性感知注释和评估方法，以及使用我们创建的数据集 - Dark Zurich 数据集，相对于之前的研究工作，我们已经在夜间数据集中达到了更好的结果。

    May, 2020

  • NightLab: 夜晚分割的双层硬度检测架构

    本文提出了夜间场景语义分割方案 NightLab，包含多个深度学习模型，实现了针对夜间图片的自适应处理，获得了 State-of-The-Art 的性能表现。

    Apr, 2022

  • 夜间监控的解耦对比图像转换

    本文提出了一种名为 DiCo 学习方法的算法，通过可学习的物理先验即颜色不变性和利用对比学习将监控场景分为前景和背景，从而实现了对夜间监控场景进行高保真度翻译，同时也贡献了一个名为 NightSuR 的监控数据集。

    Jul, 2023

  • 跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

    利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

    Jul, 2019