We Learn Better Road Pothole Detection:from Attention Aggregation to Adversarial Domain Adaptation
目前的坑洼检测,大多为人工进行一个主观的判定检测。本文提出了视差变换算法可以很好地区分有坑洼和无坑洼道路区域。并且能够轻松部署到其他语义分割网络。并且提出一种注意力聚合(attention aggregation,AA)框架。还开发了一种基于对抗域自适应的有效训练集增强技术,生成合成道路RGB图像和变换后的道路视差(或反深度)图像,以增强语义分割网络的训练。
本文的一个重要思想就是 Disparity (or Inverse Depth) Transformation
DT就是将视差或反深度图像G转换为准鸟瞰图
视差: 参考https://blog.csdn.net/chentravelling/article/details/53671279
注意力模型:
在U-Net中加入不同的注意力模型。U-Net证明了使用跳接的有效性,但是,由于经历了不同次数的转换,所以这两个特征图可能存在较大差异,这可能会导致性能显着下降。作者在每个连接之前加入一个注意力模型。作者认为这些注意力模块可以使得编码器更加关注坑洼,这样可以缩小每一级特征图的差距。
文中提出三种注意力模块: