MFNet : Vers une segmentation sémantique en temps réel pour les véhicules autonomes dans des scènes multispectrales

Ce travail s'attaque au problème du découpage sémantique d'images de scènes routières destinées aux véhicules autonomes, sur la base d'un nouveau jeu de données RGB-Thermal, présenté également dans cet article. L'intérêt croissant porté aux véhicules autonomes a conduit à l'adaptation du découpage sémantique aux systèmes de conduite autonome. Toutefois, les recherches récentes sur le découpage sémantique se concentrent principalement sur des images RGB acquises dans des conditions de faible visibilité, notamment la nuit ou en cas de mauvais temps. En outre, la plupart de ces méthodes se limitent à améliorer les performances, tout en ignorant la consommation de temps. Ces limitations nous ont incités à proposer une nouvelle architecture de réseau de neurones convolutifs pour le découpage sémantique d'images multispectrales, permettant de préserver une précision élevée tout en assurant une exécution en temps réel. Nous avons évalué notre méthode en créant un jeu de données RGB-Thermal, combinant images thermiques et images RGB. Nos résultats montrent qu'intégrer des informations infrarouges thermiques permet une augmentation significative de la précision du découpage sémantique.