摘要
我们针对语义夜间图像分割问题，通过在不使用夜间标注数据的情况下将日间模型适配至夜间场景，显著提升了当前技术水平。此外，我们设计了一种新的评估框架，以系统性地应对夜间图像中语义信息存在的显著不确定性。本文的核心贡献包括：1）提出一种课程学习框架，通过逐步从日间向更黑暗时段过渡的方式，实现语义分割模型从日间到夜间的渐进式适应；该框架利用参考地图中日间图像与暗光图像之间的跨时段对应关系，指导暗光域中的标签推断；2）构建了一种新型的、具备不确定性感知能力的标注与评估框架及度量指标，能够以合理方式将人类视觉无法识别的图像区域纳入评估范围；3）发布了Dark Zurich数据集，包含2416张未标注的夜间图像和2920张未标注的黄昏图像，每张图像均配有对应的日间图像，同时还包含201张具有精细像素级标注的夜间图像（依据我们提出的标注协议生成），该数据集为新型评估框架提供了首个基准。实验结果表明，我们的地图引导式课程适应方法在夜间数据集上的表现，无论是在标准指标还是在不确定性感知指标上，均显著优于现有最先进方法。此外，不确定性感知评估进一步揭示：对模糊内容较多的数据（如本研究所构建的基准数据集）进行选择性预测无效化，可有效提升性能，尤其有利于对安全性要求较高的应用场景中处理无效输入的情形。