Lane Detection in Low-light Conditions Using an Efficient DataEnhancement : Light Conditions Style
目录
I. INTRODUCTION
III. PROPOSED METHOD
A. SIM-CycleGAN
Generator Network
Discriminator Network
B. Light Conditions Style Transfer
C. Lane Detection
IV. EXPERIMENTAL RESULTS
E. Ablation Study
提出了一种基于风格传输的数据增强方法,该方法使用生成对抗网络(GANs)在弱光条件下生成图像,从而提高了车道探测器的环境适应性。
解决方案包括三个部分:所提出的SIM-CycleGAN,光条件风格传输和车道检测网络。
I. INTRODUCTION
目前,在弱光条件下有两种车道检测方法:(1)多任务学习;(2)上下文信息
在本文中,我们提出了一种基于风格传输的车道检测数据增强方法,该方法使用生成对抗网络(GANs)[4]在弱光条件下生成图像,提高了车道检测器的性能。
对于光条件下的样式转移,我们提出了SIMCycleGAN,与CycleGAN[5]相比,它可以在低光条件下产生更高保真度的图像。生成的图像使用原始图像的标签,因此不需要数据收集和手动标注。
提出了具有尺度信息匹配操作的SIM-CycleGAN,解决了尺度变化问题,使生成的图像更加真实。
提出了一种在弱光条件下使用光条件样式传输方法的有效数据增强方法,该方法不需要额外的人工标记和额外的推理开销。
验证了该方法在车道检测模型ERFNet上的有效性。
III. PROPOSED METHOD
SIM-CycleGAN由两个发生器和两个鉴别器组成
使用ERFNet作为我们的车道检测模型。ERFNet通过光条件样式转换增强后的数据进行训练,它没有任何其他过程
A. SIM-CycleGAN
Generator Network
输入应该为卷积自动编码器所需的分辨率(4的倍数)添加填充,这使得生成的图像的分辨率与原始图像不同。
SIM-CycleGAN的比例信息匹配会自动记录编码过程中的比例变化信息,并与解码过程中的相应操作进行匹配。
Discriminator Network
对于鉴别器网络,我们使用PatchGAN[18]代替全图像鉴别器,
普通的GAN判别器是将输入映射成一个实数,即输入样本为真样本的概率.PatchGAN将输入映射为NxN的patch(矩阵)X,Xij的值代表每个patch为真样本的概率,将Xij求均值,即为判别器最终输出,X其实就是卷积层输出的特征图
鉴别器输出判断生成的图像的结果,并将其反馈给生成器。
B. Light Conditions Style Transfer
C. Lane Detection
我们添加了车道的存在性分支,如图5所示。在我们的体系结构中,解码器负责实例分割任务,每像素输出一组车道标记的概率映射。
车道存在的二值交叉熵损失。
IV. EXPERIMENTAL RESULTS
E. Ablation Study
因为在低光条件下,太多的图像与实际交通场景的分布不一致,这导致训练后的模型更喜欢低光条件,而在其他场景下表现不佳。
Lane Detection in Low-light Conditions Using an Efficient DataEnhancement : Light Conditions Style相关推荐
- 实时车道检测--A Novel Vision-Based Framework for Real-Time Lane Detection and Tracking
A Novel Vision-Based Framework for Real-Time Lane Detection and Tracking SAE Technical Paper 2019-01 ...
- 车道线检测--End-to-end Lane Detection through Differentiable Least-Squares Fitting
End-to-end Lane Detection through Differentiable Least-Squares Fitting https://github.com/wvangansbe ...
- 车道线检测--Towards End-to-End Lane Detection: an Instance Segmentation Approach
Towards End-to-End Lane Detection: an Instance Segmentation Approach In IEEE Intelligent Vehicles Sy ...
- CVPR2022车道线检测Efficient Lane Detection via Curve Modeling
分享前段时间看的一篇车道线检测方向的新工作,也是中了最近公开结果的2022CVPR,是上海交大.华东师大.香港城市大学和商汤科技合作完成的,代码已经开源.关于车道线检测任务,我之前也分享过几篇文章: ...
- 车道线检测新工作VIL-100: A New Dataset and A Baseline Model for Video Instance Lane Detection ICCV2021
之前写过一篇车道线检测的综述,得到了一些朋友的认可,也因此结识了几个做车道线检测任务的朋友. 之前的车道线检测综述可以点击阅读: 车道线检测综述及近期新工作 https://blog.csdn.net ...
- Heatmap-based Vanishing Point boosts Lane Detection 论文翻译
基于热力图消失点增强车道线检测 论文:Heatmap-based Vanishing Point boosts Lane Detection 摘要 基于视觉的车道线检测(LD)是自动驾驶技术的关键部分 ...
- Too Good to Be Safe: Tricking Lane Detection in Autonomous Driving with Crafted Perturbations 论文报告
一.论文信息 标题:Too Good to Be Safe: Tricking Lane Detection in Autonomous Driving with Crafted Perturbati ...
- Ultra Fast Structure-aware Deep Lane Detection论文解读
这是一篇ECCV2020的文章 文章:https://arxiv.org/abs/2004.11757 代码:GitHub - cfzd/Ultra-Fast-Lane-Detection: Ultr ...
- 基于深度强化学习的车道线检测和定位(Deep reinforcement learning based lane detection and localization) 论文解读+代码复现
之前读过这篇论文,导师说要复现,这里记录一下.废话不多说,再重读一下论文. 注:非一字一句翻译.个人理解,一定偏颇. 基于深度强化学习的车道检测和定位 官方源码下载:https://github.co ...
最新文章
- 搜索引擎ElasticSearch
- 双边z变换公式_光通信与数学 傅里叶变换
- 排序算法 —— 选择排序
- php禁止代理ip访问_php禁止某ip或ip地址段访问的方法(转载)
- 一文理解Netty模型架构
- 如何通过反射来解决AlertDialog标题由于字数过多显示不全的问题
- windows下缩短time_wait的时间
- Iview的Tabs定时切换
- Java多线程详解(线程不安全案例)
- 幼儿抽象逻辑思维举例_幼儿园大班数学说课稿——7的分解组成
- 查看计算机数字证书,数字证书认不到怎么办?
- java —— int和byte的相互转化工具方法
- 基于MATLAB的疲劳检测
- vue项目中样式重置 自动注入less
- 计算机基础与应用演示文稿教案,计算机应用基础讲解教案powerpoint演示文稿.ppt...
- 如何禁止搜索引擎收录WordPress站点某个分类的文章?
- 如何git命令创建一个本地分支,并提交到远程(remote)
- 【踩坑记录】colmap中的相机位姿的坐标系定义及其可视化结果的隐含转换
- ALTER PLUGGABLE DATABASE xxx CLOSE卡住
- Sketch插件开发入门
热门文章
- 目前最详细的对国内跨境电商的纯干货分析
- oracle 完全检查点条件,ORACLE Checkpoint(检查点)
- 官方FL Studio 21已经来啦,FL 20.99.8中文版2023最新版
- 首席新媒体黎想教程:如何从零开始策划微博运营?
- 试译:开源项目成功的十条准则
- 2021 年全国大学生物联网设计竞赛(华为杯)全国总决赛获奖名单
- C语言实现五子棋游戏(具体说明+具体步骤)
- 创视通录播服务器怎么修改系统时间,教学录播系统的历史
- 苹果cmsv10蓝色简洁影视电影资源采集网站模板
- 订阅号消息 服务号 信息推送