WeatherSeg: Segmentazione Semi-Supervisionata per Condizioni Meteorologiche Avverse
WeatherSeg, un framework di segmentazione semi-supervisionata di recente sviluppo, mira a migliorare la percezione ambientale per i veicoli a guida autonoma in condizioni meteorologiche difficili, riducendo al minimo le spese di annotazione. Questo framework utilizza un Modello Duale Insegnante-Studente con Condivisione dei Pesi (DTSWSM) per il trasferimento di conoscenze da immagini influenzate dal meteo e incorpora un Meccanismo di Attenzione per l'Aggiornamento dei Pesi del Classificatore (CWUAM) che modifica i pesi del classificatore in base ai fattori ambientali. I risultati della valutazione indicano che WeatherSeg supera i modelli di base sia in accuratezza che in resilienza in condizioni di cielo sereno, pioggia, nuvolosità e nebbia, posizionandosi come una soluzione praticabile per la segmentazione semantica in tutti gli scenari meteorologici.
Fatti principali
- WeatherSeg è un framework di segmentazione semi-supervisionata per la guida autonoma.
- Affronta le sfide della percezione ambientale in condizioni meteorologiche avverse.
- Riduce i costi di annotazione attraverso l'apprendimento semi-supervisionato.
- Integra il Modello Duale Insegnante-Studente con Condivisione dei Pesi (DTSWSM).
- Utilizza il Meccanismo di Attenzione per l'Aggiornamento dei Pesi del Classificatore (CWUAM).
- Supera i modelli di base in condizioni di cielo sereno, pioggia, nuvolosità e nebbia.
- Pubblicato su arXiv nella sezione Computer Vision and Pattern Recognition.
- Cronologia delle sottomissioni disponibile su arXiv.
Entità
Istituzioni
- arXiv