2 个月前

EL-GAN:嵌入损失驱动的生成对抗网络用于车道检测

Mohsen Ghafoorian; Cedric Nugteren; Nóra Baka; Olaf Booij; Michael Hofmann
EL-GAN:嵌入损失驱动的生成对抗网络用于车道检测
摘要

卷积神经网络已成功应用于语义分割问题。然而,许多本质上并非像素级分类的问题却经常被表述为语义分割问题。这种不当的表述方式导致需要手工设计特定场景的、计算成本高昂的后处理方法,以将每个像素的概率图转换为最终所需的输出。生成对抗网络(GANs)可以用于使语义分割网络的输出更加逼真或更好地保留结构,从而减少对可能复杂的后处理方法的依赖。在本研究中,我们提出了EL-GAN:一种利用嵌入损失(embedding loss)的GAN框架,以缓解上述问题。通过EL-GAN,我们可以同时基于标签和预测结果的学习嵌入进行判别。这使得训练过程更加稳定,因为可以获得更好的判别信息,并且同时观察到“假”和“真”预测结果。这显著稳定了对抗训练过程。我们使用TuSimple车道标记挑战赛来证明,通过我们提出的框架,可以克服将其作为语义分割问题时固有的异常情况。与传统方法相比,不仅输出结果与标签更为接近,后续的后处理也更为简单,并且达到了具有竞争力的96%准确率阈值。