SNE-RoadSeg : Intégration des informations de normale de surface dans la segmentation sémantique pour une détection précise de l’espace libre

La détection de l’espace libre constitue un élément fondamental de la perception visuelle pour les véhicules autonomes. Les récents progrès réalisés dans les réseaux de neurones convolutifs (CNN) fondés sur la fusion de données ont considérablement amélioré la segmentation sémantique des scènes routières. L’espace libre peut être modélisé comme un plan de sol, sur lequel les points présentent des normales de surface similaires. Ainsi, dans cet article, nous introduisons tout d’abord un nouveau module, nommé estimateur de normales de surface (SNE), capable d’extraire avec haute précision et efficacité des informations sur les normales de surface à partir d’images de profondeur ou de disparité denses. Par la suite, nous proposons une architecture de CNN basée sur la fusion de données, désignée RoadSeg, qui permet d’extraire et de fusionner des caractéristiques provenant à la fois d’images RGB et des informations de normales de surface estimées, afin d’obtenir une détection précise de l’espace libre. À des fins de recherche, nous publions un grand jeu de données synthétiques pour la détection de l’espace libre, intitulé Ready-to-Drive (R2D), recueilli dans diverses conditions d’éclairage et météorologiques. Les résultats expérimentaux démontrent que notre module SNE bénéficie à l’ensemble des CNN d’avant-garde pour la détection de l’espace libre, et que notre architecture SNE-RoadSeg atteint les meilleures performances globales sur différentes bases de données.