[论文解读] Applying Semantic Segmentation to Autonomous Cars in the Snowy Environment

Zhaoyu Pan, Takanori Emaru+2 more|arXiv (Cornell University)|Jul 25, 2020

Advanced Neural Network Applications参考文献 6被引用 8

一句话总结

本文提出一种基于全卷积网络（FCN）的语义分割方法，以提升自动驾驶车辆在降雪环境下的环境感知能力。该方法在自建数据集上进行训练，实现了在积雪场景下物体分类性能的提升，但结果表明仍需优化数据集并改进算法以进一步提升性能。

ABSTRACT

This paper mainly focuses on environment perception in snowy situations which forms the backbone of the autonomous driving technology. For the purpose, semantic segmentation is employed to classify the objects while the vehicle is driven autonomously. We train the Fully Convolutional Networks (FCN) on our own dataset and present the experimental results. Finally, the outcomes are analyzed to give a conclusion. It can be concluded that the database still needs to be optimized and a favorable algorithm should be proposed to get better results.

研究动机与目标

• 提升自动驾驶车辆在降雪环境下的环境感知能力。
• 解决在低能见度、积雪覆盖环境下的语义分割挑战。
• 评估全卷积网络（FCN）在自建降雪环境下采集数据集上的性能表现。
• 识别当前数据集与模型在降雪自动驾驶场景中的局限性。

提出的方法

• 在自建的降雪环境数据集上训练全卷积网络（FCN）。
• 采用端到端深度学习方法，将像素分类为道路、车辆、行人和雪等语义类别。
• 在降雪条件下采集真实道路驾驶数据，构建领域特定数据集。
• 采用标准语义分割流程并结合数据增强技术，提升模型鲁棒性。
• 利用标准分割指标在自建数据集上评估模型性能。
• 分析失败案例并可视化分割结果，以识别数据集与模型的局限性。

实验结果

研究问题

• RQ1 在降雪环境下，基于FCN的语义分割在自动驾驶中效果如何？
• RQ2 使用深度学习对积雪场景中的物体进行分割时面临的主要挑战是什么？
• RQ3 在自建降雪数据集上的性能与通用数据集相比如何？
• RQ4 当前数据集与模型在降雪自动驾驶场景中存在哪些局限性？
• RQ5 为实现更优泛化能力，数据采集与模型架构方面需要哪些改进？

主要发现

• 所提出的基于FCN的语义分割模型在降雪驾驶条件下实现了可测量的性能表现，证明了其可行性。
• 该模型在细粒度物体边界分割和类别混淆方面表现不佳，尤其在雪与颜色相近物体之间易混淆。
• 结果表明，当前数据集在多样性和质量方面仍显不足，难以实现最优模型泛化。
• 视觉分析显示，雪覆盖路面和被遮挡车辆常被错误分类。
• 本研究结论认为，为实现稳健性能，仍需优化数据集并改进算法。
• 作者建议开发专用于降雪环境的模型架构及数据增强技术。