Leveraging Road Area Semantic Segmentation with Auxiliary Steering Task

要約

さまざまなパターン認識方法の堅牢性は、自動運転における重要な課題の 1 つです。特に、砂利道や降雪など、さまざまな道路環境や気象条件で運転する場合はそうです。
センサーを搭載した車を使用してこれらの悪条件からデータを収集することはできますが、トレーニングのためにデータに注釈を付けるのは非常に面倒です。
この作業では、この制限に対処し、ステアリング ホイールの角度情報を活用して道路領域のセマンティック セグメンテーションを改善できる CNN ベースの方法を提案します。
ステアリング ホイール角度データは関連する画像で簡単に取得できるため、手動のデータ アノテーションを使用せずに新しい道路環境でデータを収集することにより、道路領域のセマンティック セグメンテーションの精度を向上させることができます。
自動運転のための 2 つの困難なデータ セットに対する提案されたアプローチの有効性を実証し、セグメンテーション モデルのトレーニングでステアリング タスクを使用すると、道路面積 mIoU (平均交差点オーバー ユニオン) が 0.1 ～ 2.9% 増加することを示します。
) 対応する参照転送学習モデルと比較。

要約(オリジナル)

Robustness of different pattern recognition methods is one of the key challenges in autonomous driving, especially when driving in the high variety of road environments and weather conditions, such as gravel roads and snowfall. Although one can collect data from these adverse conditions using cars equipped with sensors, it is quite tedious to annotate the data for training. In this work, we address this limitation and propose a CNN-based method that can leverage the steering wheel angle information to improve the road area semantic segmentation. As the steering wheel angle data can be easily acquired with the associated images, one could improve the accuracy of road area semantic segmentation by collecting data in new road environments without manual data annotation. We demonstrate the effectiveness of the proposed approach on two challenging data sets for autonomous driving and show that when the steering task is used in our segmentation model training, it leads to a 0.1-2.9% gain in the road area mIoU (mean Intersection over Union) compared to the corresponding reference transfer learning model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google