语义分割--Efficient Deep Models for Monocular Road Segmentation

Efficient Deep Models for Monocular Road Segmentation code: https://lmb.informatik.uni-freiburg.de/Publications/2016/OB16b/

针对路面检测和分割问题，本文结合FCN 和 U-Net 提出一个网络 Up-Convolutional Networks，在速度和精度方面得到不错的效果

这里写图片描述

KITTI benchmark lane/road segmentation tasks，分为三类：背景，路面，车道线

Up-Convolutional Network 网络结构设计主要参考 FCN

这里写图片描述

网络具体参数设置：

这里写图片描述

C. Optimizing the Use of Parameters 我们做的主要改进在一下几个方面： 1）Parameter reduction: FCN 在特征提取阶段使用了 VGG16 作为基础，这个网络有4096个 7*7 大小的滤波器，这个大尺寸滤波器计算量比较大。 这里我们将 FC-conv 的滤波器数量从 4096 降低到 1024， 滤波器尺寸由 7*7 变为 3*3， 这样网络的参数减少一些，计算量也相应降低，当然精度有所下降，我们在网络的其他地方来提高精度。 2) New refinement to improve system accuracy: 这里主要是参考 U-Net 设计思想，增加了网络放大层的宽度， we increase the width of the up-convolutional side of the network。 Previously our network has a 1 − to − 1 mapping, each refinement has the same number of filters and classes ( N_cl ).

这里写图片描述

D. Data Augmentation Scaling: scale the image by a factor between 0.7 and 1.4; • Color: Add a value between −0.1 and 0.1 to the hue channel of the HSV representation.

Rotation and cropping 不适合路面检测情况，所以没有使用

E. Network Training 训练采用了分阶段进行，每个阶段在一个 Titan X GPU 使用了一天时间，总共使用了5天训练了整个网络

实验结果：

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述

这里写图片描述