Hybrides Deep Learning-Gaussian-Prozess-Netzwerk zur Fußgängerstreifenerkennung in unstrukturierten Szenen

Die Fußgängerstreifenerkennung ist eine wichtige Aufgabe in vielen assistiven und autonomen Navigationssystemen. Dieser Artikel präsentiert einen neuen Ansatz zur Fußgängerstreifenerkennung in unstrukturierten Umgebungen, in denen die Fußgängerstreifen willkürliche Oberflächen ohne markierte Zeichen haben können. In diesem Ansatz wird ein hybrides Deep Learning-Gaussian-Prozess (DL-GP) Netzwerk vorgeschlagen, um ein Szenenbild in Streifen- und Hintergrundbereiche zu segmentieren. Das Netzwerk kombiniert ein kompaktes konvolutionales Encoder-Decoder-Netz und einen leistungsstarken nichtparametrischen hierarchischen GP-Klassifikator. Das resultierende Netzwerk mit einer geringeren Anzahl an trainierbaren Parametern hilft, das Überanpassungsproblem zu mildern, während die Modellierungskraft erhalten bleibt. Neben dem Segmentierungsausgang für jedes Testbild generiert das Netzwerk auch eine Unsicherheitskarte - ein Maß, das negativ mit dem Vertrauensniveau korreliert ist, mit dem wir der Segmentierung vertrauen können. Dieses Maß ist wichtig für Anwendungen der Fußgängerstreifenerkennung, da seine Vorhersage die Sicherheit seiner Nutzer beeinflusst. Wir führen auch einen neuen Datensatz mit 5000 Bildern zur Schulung und Bewertung der Algorithmen zur Fußgängerstreifenerkennung ein. Es wird erwartet, dass dieser Datensatz die Forschung in der Fußgängerstreifenerkennung erleichtert, insbesondere die Anwendung von DL in diesem Bereich. Bewertet anhand dieses Datensatzes zeigt das vorgeschlagene Netzwerk signifikante Leistungsverbesserungen im Vergleich zu mehreren bestehenden Methoden.