科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着深度学习和计算能力的提升，对白天拍摄的自然场景图像进行语义分割的性能有了显著的提高。然而，在夜间图像语义分割任务中，由于曝光不平衡和缺乏标记数据等挑战，由白天数据训练的模型往往无法取得良好的表现。为了解决这些问题，本文提出了一种新的无监督夜间图像语义分割网络AI-USeg。首先，使用一个轻量级的照明网络SCI对夜间图像进行增强，以减少光照变化对后续语义分割网络的影响。其次，引入了领域自适应方法，将模型从包含大量有标签的Cityscapes数据自适应到Dark Zurich-D，解决缺乏标记数据的问题。此外，AI-USeg在基于FCN实现的判别器中引入SENet，通过在输出空间进行对抗学习来适应夜间低光照环境下的图像特征，以提升夜间图像语义分割任务的性能。为了验证AI-USeg的效果，实验使用Cityscapes和Dark Zurich-train中的2416个昼夜图像对进行无监督训练，在Dark Zurich-test和Nighttime Driving-test上的mIoU分别达到了47.88和51.49，相较于MGCDA分别提高了5.38和2.09，对夜间图像的特征适应性更强，具有更高的鲁棒性，为夜间场景的图像分割任务提供了一种有效的解决方案。
- 单位
