中文标题#
事件 SSEG：基于事件的自监督分割与概率注意力
英文标题#
EventSSEG: Event-driven Self-Supervised Segmentation with Probabilistic Attention
中文摘要#
道路分割对于自动驾驶车辆至关重要，然而使用基于帧的摄像机实现低延迟和低计算量的解决方案仍然具有挑战性。 事件摄像机提供了一种有前景的替代方案。 为了利用其低功耗感知能力，我们引入了 EventSSEG，这是一种仅使用事件计算和概率注意力机制的道路分割方法。 仅使用事件计算在从传统摄像机领域转移预训练权重方面提出了挑战，需要大量标记数据，而这些数据很少。 为克服这一问题，EventSSEG 采用基于事件的自监督学习，消除了对大量标记数据的需求。 在 DSEC-Semantic 和 DDD17 上的实验表明，EventSSEG 在最少标记事件的情况下实现了最先进的性能。 这种方法最大化了事件摄像机的能力，并解决了标记事件不足的问题。
英文摘要#
Road segmentation is pivotal for autonomous vehicles, yet achieving low latency and low compute solutions using frame based cameras remains a challenge. Event cameras offer a promising alternative. To leverage their low power sensing, we introduce EventSSEG, a method for road segmentation that uses event only computing and a probabilistic attention mechanism. Event only computing poses a challenge in transferring pretrained weights from the conventional camera domain, requiring abundant labeled data, which is scarce. To overcome this, EventSSEG employs event-based self supervised learning, eliminating the need for extensive labeled data. Experiments on DSEC-Semantic and DDD17 show that EventSSEG achieves state of the art performance with minimal labeled events. This approach maximizes event cameras capabilities and addresses the lack of labeled events.
文章页面#
PDF 获取#
抖音扫码查看更多精彩内容