Elastic Interaction Energy-Informed Real-Time Traffic Scene Perception

要約

市街地のセグメンテーションと車線検出は、交通シーン知覚の2つの重要なタスクである。視覚認識の精度と高速な推論速度は、自律走行の安全性にとって極めて重要である。歩行者、交通標識、車線など、微細で複雑な幾何学的物体は、交通シーンにおける最も困難だが重要な認識対象である。本論文では、EIEGSegと名付けられたシンプルで効率的なトポロジーを考慮したエネルギー損失関数ベースのネットワーク学習戦略を提案する。EIEGSegは、リアルタイムの交通シーン知覚における多クラスセグメンテーションのために設計されている。具体的には、畳み込みニューラルネットワーク(CNN)が画像特徴を抽出し、複数の出力を生成し、弾性相互作用エネルギー損失関数(EIEL)が、予測値が完全に重なるまで、グランドトゥルースに向かって移動させる。本手法は特に微細構造に対して優れた性能を発揮し、小さな物体や不規則な形状の物体をより正確に識別することができ、細長い物体における不連続性の問題を改善することができる。我々は、都市シーンのセグメンテーションデータCityscapesと車線検出データTuSimpleとCULaneを含む3つの交通データセットを用いて、我々の手法を定量的かつ定性的に分析した。その結果、EIEGSegは、特に自律走行に適したリアルタイムの軽量ネットワークにおいて、一貫して性能を向上させることが実証された。

要約(オリジナル)

Urban segmentation and lane detection are two important tasks for traffic scene perception. Accuracy and fast inference speed of visual perception are crucial for autonomous driving safety. Fine and complex geometric objects are the most challenging but important recognition targets in traffic scene, such as pedestrians, traffic signs and lanes. In this paper, a simple and efficient topology-aware energy loss function-based network training strategy named EIEGSeg is proposed. EIEGSeg is designed for multi-class segmentation on real-time traffic scene perception. To be specific, the convolutional neural network (CNN) extracts image features and produces multiple outputs, and the elastic interaction energy loss function (EIEL) drives the predictions moving toward the ground truth until they are completely overlapped. Our strategy performs well especially on fine-scale structure, \textit{i.e.} small or irregularly shaped objects can be identified more accurately, and discontinuity issues on slender objects can be improved. We quantitatively and qualitatively analyze our method on three traffic datasets, including urban scene segmentation data Cityscapes and lane detection data TuSimple and CULane. Our results demonstrate that EIEGSeg consistently improves the performance, especially on real-time, lightweight networks that are better suited for autonomous driving.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL