Self-Supervised Drivable Area and Road Anomaly Segmentation using RGB-D Data for Robotic Wheelchairs
为了训练一个深度神经网络,通常需要一个带有人工标注的地面真值的大规模数据集。然而,生成这样的数据集既费时又费力。为了解决手动贴标耗时耗力的问题。
本文旨在 通过自监督方法自动生成可行驶区域和道路异常的分割标签。
这个RGB-D相机同时输出RGB图像和深度图像。
本文提出一种自监督的方法来分割可行驶区域和道路异常
自动标记RGB的可行驶区域和道路异常
发布数据集
相关工作
自动标注
现阶段有一些方法可以做到自动标注可行驶区域和道路异常。而且很多方法在模拟器端实现,但是本文将两者结合,而且在真车上实现。
本文工作
数据集构建
第一个机器人轮椅常见道路异常的数据集。包含30个常见场景。
作者将常见的道路异常分为两类:距离可行驶区域表面高度大于15cm的大型道路异常;距可行驶区域表面5厘米至15厘米高度的小路面异常。
上图为数据集的各个标志物的像素点统计,但是本文的算法并不使用这些手工标记的ground-truth,手工标注的ground-truth仅用于评估本文提出的自我监督方法。
其中深度数据有两种 :原始深度数据、归一化的深度数据(0-255)。
RGB-D相机的距离测量范围高达10m。因此,我们移除距离大于10m的像素,并用零值标记它们。至于手工标注的地面真实,我们把未知区域标注为0,可行驶区域标注为1,道路异常标注为2。
本文提出的自监督标签生成器Self-Supervised Label Generator (SSLG)
真实世界点P(X,Y,Z)在双目图像坐标(U,V)上的投影可以通过下列公式计算
其中 b b b