ترجمه فارسی مقاله افزایش درک خودروی خودمختار در آب و هوای نامساعد از طریق تقویت تصویر در طول آموزش تقسیم بندی معنایی

چکیده

Robust perception is crucial in autonomous vehicle navigation and localization. Visual processing tasks, like semantic segmentation, should work in varying weather conditions and during different times of day. Semantic segmentation is where each pixel is assigned a class, which is useful for locating overall features (1). Training a segmentation model requires large amounts of data, and the labeling process for segmentation data is especially tedious. Additionally, many large datasets include only images taken in clear weather. This is a problem because training a model exclusively on clear weather data hinders performance in adverse weather conditions like fog or rain. We hypothesize that given a dataset of only clear days images, applying image augmentation (such as random rain, fog, and brightness) during training allows for domain adaptation to diverse weather conditions. We used CARLA, a 3D realistic autonomous vehicle simulator, to collect 1200 images in clear weather composed of 29 classes from 10 different towns (2). We also collected 1200 images of random weather effects. We trained encoder-decoder UNet models to perform semantic segmentation. Applying augmentations significantly improved segmentation under weathered night conditions (p < 0.001). However, models trained on weather data have significantly lower losses than those trained on augmented data in all conditions except for clear days. This shows there is room for improvement in the domain adaptation approach. Future work should test more types of augmentations and also use real-life images instead of CARLA. Ideally, the augmented model meets or exceeds the performance of the weather model.

چکیده به فارسی (ترجمه ماشینی)

درک قوی در ناوبری و بومی سازی وسایل نقلیه خودمختار بسیار مهم است.وظایف پردازش بصری ، مانند تقسیم معنایی ، باید در شرایط آب و هوایی مختلف و در ساعات مختلف روز کار کند.تقسیم بندی معنایی جایی است که به هر پیکسل یک کلاس اختصاص داده می شود ، که برای یافتن ویژگی های کلی مفید است (1).آموزش یک مدل تقسیم بندی به مقادیر زیادی داده نیاز دارد و فرآیند برچسب زدن برای داده های تقسیم بندی به ویژه خسته کننده است.علاوه بر این ، بسیاری از مجموعه داده های بزرگ فقط شامل تصاویر در هوای پاک است.این یک مشکل است زیرا آموزش یک مدل منحصراً بر روی داده های شفاف آب و هوا مانع از عملکرد در شرایط آب و هوایی جانبی مانند مه یا باران می شود.ما فرض می کنیم که با توجه به یک مجموعه داده فقط از تصاویر روزهای روشن ، استفاده از تقویت تصویر (مانند باران تصادفی ، مه و روشنایی) در طول آموزش ، سازگاری دامنه را در شرایط آب و هوایی متنوع فراهم می کند.ما از Carla ، یک شبیه ساز وسیله نقلیه مستقل مستقل سه بعدی ، برای جمع آوری 1200 تصویر در آب و هوای شفاف متشکل از 29 کلاس از 10 شهر مختلف (2) استفاده کردیم.ما همچنین 1200 تصویر از اثرات آب و هوایی تصادفی را جمع آوری کردیم.ما برای انجام تقسیم بندی معنایی ، مدلهای Unet رمزگذار را آموزش دادیم.با استفاده از تقویت ، تقسیم بندی را به طور قابل توجهی در شرایط شبانه روز بهبود بخشید (P <0.001).با این حال ، مدل های آموزش داده شده بر روی داده های آب و هوا نسبت به مدل های آموزش داده شده در همه شرایط به جز روزهای روشن ، ضررهای قابل توجهی پایین دارند.این نشان می دهد که جایی برای بهبود در رویکرد سازگاری دامنه وجود دارد.کار آینده باید انواع بیشتری از تقویت ها را آزمایش کند و همچنین به جای کارلا از تصاویر زندگی واقعی استفاده کند.در حالت ایده آل ، مدل تقویت شده از عملکرد مدل آب و هوا برخوردار یا فراتر می رود. [sc name="papertranslation"][/sc]