[论文笔记]We Learn Better Road Pothole Detection:from Attention Aggregation to Adversarial Domain Adapt

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。

数据集

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：