AAAIOct, 2020

使用离散 Wasserstein 训练实现自动驾驶中的重要性感知语义分割

PDF
TL;DR该论文提出在 Wasserstein 训练框架中，通过配置其地面距离矩阵来纳入重要性感知的类间相关性，可以更好地在自动驾驶系统中处理像行人等重要物体的语义分割。实验证明，该算法在保障安全驾驶的关键类别上有卓越的分割表现。
semantic segmentationself-driving carsimportance-aware inter-class correlationwasserstein training frameworkcritical classes
发现论文，激发创造
  • 自动驾驶的基于图像分割的语义通信中的重要性感知

    这篇研究论文主要研究自动驾驶中基于图像分割的语义通信问题，通过提出名为 VIS-SemCom 的车辆图像分割导向的语义通信系统，传输重要对象的图像分割特征以减少传输冗余。

    Jan, 2024

  • 半监督学习在自动驾驶中的重要目标识别

    本文提出了一种基于二元分类、关系推理和半监督学习的重要物体识别方法，可用于智能车辆在复杂动态环境下的安全导航，并在公开数据集上得到验证。

    Mar, 2022

  • DSNet 实时驾驶场景语义分割

    本文提出了一种强大且高效的深度神经网络驾驶场景语义分割模型 DSNet，通过 ShuffleNet V2 和 ENet 的启发式设计，以及实现的 Driving Importance-weighted Loss 作为考虑驾驶决策的重要因素，等方面提高准确率和实时性。在 Cityscapes 数据集上的实验结果表明 DSNet 比 ENet 的准确率提高了 18.9％，速度提高了 1.1 倍，具有应用于自动驾驶的巨大潜力。

    Dec, 2018

  • 信任语义分割网络

    该研究通过对不同模型进行实验，探讨了通过使用熵等简单度量方法来捕捉高召回率的错分情况，以分析语义分割中的失败案例和预测准确性的问题。

    Jun, 2024

  • 自动驾驶的语义分割：模型评估、数据集生成、视角比较和实时性能

    研究了在自动驾驶汽车中使用的感知方法，发现 FasterSeg 模型在实时低功耗计算设备上运行速度快，并通过比较第一人称和鸟瞰图的准确性和速度，得出 FasterSeg 模型在两种视角的 mIoU 结果并提出了一种生成合成数据的简单方法，并在目标硬件上比较了两种视角的帧率和精度。

    Jul, 2022

  • 姿态估计的保守瓦瑟斯坦训练

    本文提出了一种基于 Wasserstein 训练框架的方法，通过预定义圆的弧长或自适应学习地度量类别之间的相关性，并利用保守的目标标签建立包括离群值的混合分布模型，从而解决深度学习中离散和周期类标签（例如姿势 / 方向估计）的问题，并通过凸映射函数的地度量方法和封闭式解得到更好的性能表现。

    Nov, 2019

  • 遥感图像语义分割的边界损失

    通过使用一种新的可微分度量替代传统分割损失函数，我们提出了一种新的分割边界检测方法，该方法在监督二进制分割任务中准确地提取出现具有精确定义的多个类的边界，并在 ISPRS 波茨坦、INRIA AIL 等数据集上使用验证，最终的结果表明，该方法提高了 IoU 分数，优于基线方法。

    May, 2019

  • 利用距离亮点聚合技术提升语义分割

    本文提出一种基于知识蒸馏的语义分割方法，通过引入 Inter-class Distance Distillation (IDD) 模块来转移特征空间中的跨类距离，同时利用位置信息蒸馏模块来提高学生网络的位置编码能力，实验结果表明，该方法可以大幅度提高语义分割模型的准确性，达到 state-of-the-art 的性能水平。

    May, 2022

  • 基于 GAN 的深度监督语义分割方法

    本研究提出了一种改进的语义分割模型，将对抗学习的优势与最先进的语义分割技术相结合，以捕捉交通图像中复杂而微妙的特征，通过在道路裂缝数据集上与现有方法（如 SEGAN）相比的显著性能提升来证明方法的有效性，提供了更精细和准确的道路结构和状况的表示，为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。

    Oct, 2023

  • 运用决策规则处理语义分割中的类别不平衡

    研究了如何解决语义分割中训练数据类别不平衡的问题，通过利用先验概率对后验概率进行加权，从而改善对少数类别的识别效果，实验证明其对于行人和路标的识别召回率分别提高了 25% 和 23.4%，同时非检测率显著降低了 61% 和 38%。

    Jan, 2019