中文标题#
事件 SSEG：基於事件的自監督分割與概率注意力
英文标题#
EventSSEG: Event-driven Self-Supervised Segmentation with Probabilistic Attention
中文摘要#
道路分割對於自動駕駛車輛至關重要，然而使用基於幀的攝像機實現低延遲和低計算量的解決方案仍然具有挑戰性。 事件攝像機提供了一種有前景的替代方案。 為了利用其低功耗感知能力，我們引入了 EventSSEG，這是一種僅使用事件計算和概率注意力機制的道路分割方法。 僅使用事件計算在從傳統攝像機領域轉移預訓練權重方面提出了挑戰，需要大量標記數據，而這些數據很少。 為克服這一問題，EventSSEG 採用基於事件的自監督學習，消除了對大量標記數據的需求。 在 DSEC-Semantic 和 DDD17 上的實驗表明，EventSSEG 在最少標記事件的情況下實現了最先進的性能。 這種方法最大化了事件攝像機的能力，並解決了標記事件不足的問題。
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#
抖音掃碼查看更多精彩內容