摘要
场景解析是现代自动驾驶系统中的关键组成部分。现有的语义分割研究大多集中于光照和天气条件良好的白天场景。本文提出一种新型深度神经网络架构——NiSeNet，通过合成数据到真实数据的域映射方法，实现夜间场景的语义分割。该网络为双通道结构：其中，真实通道（Real channel）基于DeepLabV3+模型，并引入均方误差（MSE）损失函数，以有效保留空间信息；另一通道——自适应通道（Adaptive channel），旨在缩小合成夜间图像与真实夜间图像之间的域差异，同时弥补真实通道在特定区域输出的不足。此外，本文还设计了一种新颖的融合机制，用于整合双通道的输出结果。为支持该方法的训练与评估，我们构建了一个新的数据集——城市夜间驾驶数据集（Urban Night Driving Dataset, UNDD），该数据集包含7125张未标注的昼夜图像，以及75张具有像素级标注的夜间图像，其类别划分与Cityscapes数据集保持一致。我们在Berkeley Deep Drive数据集、具有挑战性的Mapillary数据集以及UNDD数据集上对所提方法进行了全面评估，结果表明，该方法在分割精度与视觉质量方面均优于现有最先进的技术。