Aerial-PASS: Panoramische annulare Szenensegmentierung in Drohnenvideos

Die luftgestützte pixelgenaue Wahrnehmung der Umgebung ist eine zentrale Aufgabe für UAVs (Unbemannte Luftfahrzeuge). Bisherige Forschungsarbeiten setzen hauptsächlich herkömmliche Lochblendenkameras oder Fischaugenobjektive als Bildaufnahmegeräte ein. Diese Bildsysteme können jedoch gleichzeitig einen großen Gesichtsfeld (FoV), geringe Abmessungen und geringes Gewicht nicht erreichen. Um dieses Problem zu lösen, entwickeln wir ein UAV-System mit einer panoramischen ringförmigen Linse (PAL), die sich durch geringe Größe, geringes Gewicht und ein 360-Grad-ringförmiges Gesichtsfeld auszeichnet. Außerdem entwerfen wir ein leichtgewichtiges neuronales Netzwerk für die semantische Segmentierung von panoramischen ringförmigen Bildern, um eine hochgenaue und Echtzeit-Bildinterpretation zu ermöglichen. Zudem präsentieren wir erstmals den Datensatz Aerial-PASS, einen panoramischen Szenen-Segmentierungsdatensatz aus Drohnenperspektive, der annotierte Labels für Tracks, Felder und weitere Objektklassen enthält. Umfassende Experimente zeigen, dass das entwickelte System hervorragende Leistung bei der luftgestützten panoramischen Szeneninterpretation erzielt. Insbesondere erreicht unser vorgeschlagenes Modell ein hervorragendes Gleichgewicht zwischen Segmentierungsgenauigkeit und Inferenzgeschwindigkeit, was sowohl an öffentlichen Straßen-Szenendatensätzen als auch an unseren selbst aufgebauten Luft-Szenendatensätzen validiert wurde.