摘要
夜间图像的语义分割在自动驾驶中与白天图像同样重要，但由于光照条件差以及人工标注困难，其挑战性显著更高。本文提出一种新型的域适应网络（DANNet），用于夜间语义分割，且无需依赖标注的夜间图像数据。该方法采用对抗性训练策略，结合已标注的白天图像数据集与包含粗略对齐的昼夜图像对的未标注数据集。具体而言，针对未标注的昼夜图像对，我们利用白天图像中静态物体类别的像素级预测结果作为伪监督信号，指导其对应夜间图像的分割任务。为进一步缓解昼夜图像对之间因配准不准确及白天图像预测错误带来的误差，同时提升小目标的分割精度，我们设计了一种重加权策略。所提出的DANNet是首个无需额外预训练昼夜图像迁移模型的单阶段夜间语义分割域适应框架，避免了传统方法中将图像域转换作为独立预处理步骤的复杂性。在Dark Zurich和Nighttime Driving数据集上的大量实验表明，本方法在夜间语义分割任务中达到了当前最优性能。