论文下载：https://yuxiangsun.github.io/pub/RAL2019_rtfnet.pdf
代码下载：https://github.com/yuxiangsun/RT
简介：
语义分割是自动驾驶车辆的一项基本功能。随着深度学习技术的发展，近年来出现了许多有效的语义分割网络。然而，大多数相机用来获取可见光的RGB图像。在不满足的光照条件下，RGB图像的质量容易降低；例如，光线的暗度和亮度，这对仅使用RGB图像的网络是严峻的挑战。不同于可见光相机，热成像相机是利用热辐射产生产生热图像，能够在各种光照条件下看到东西。与可见光相机不同的是，可见光的光谱范围在0.4到0.7微米之间，它们利用温度高于绝对零度的所有物质发出的热辐射来成像。它的价格要比普通相机贵上好几倍，但要比激光雷达便宜的多，最初是为军事用途而发明的，但近年来价格有所下降。因此，这种摄像机可以越来越多地应用于民用领域，如遥感、自主监控和高级驱动辅助系统(ADAS)等。
动机：
为自动驾驶汽车实现稳健和准确的城市景观语义划分。其核心思想是利用热相机的优势，融合RGB和热信息，以实现优越的性能。
设计理念：
本文采用了编码器-解码器，利用两个编码器ResNet分别对RGB和Thermal图像进行特征提取。在编码阶段，多模态融合是通过RGB和Thermal编码器路径的特征块在元素上的累加来实现的。开发了一种叠堆块解码器来交替保留和增加空间分辨率，同时减少信道计数。
本文主要贡献：
1）开发了一种新的深度神经网络，它融合了RGB和热信息，用于城市场景的语义分割。
2）证明了利用热信息可以提高语义分割的性能。
3）将网络与公共数据集上的技术水平进行比较，获得了优越的性能。
方法：
如下图所示，RTFNet由三个模块组成：RGB编码器和Thermal编码器，分别用于提取RGB和热图像的特征；一种解码器，用于恢复特征图的分辨率。RTFNet中的解码器模块不是编码器模块的镜像版本。编码器和解码器是不对称设计的。设计了两个大的编码器和一个小的解码器。在RTFNet的最后，使用softmax层得到语义分割结果的概率图。
编码器：
编码器使用ResNet，去掉平均池和完全连接的层作为特征提取器。热特征图被融合到RGB编码器通过元素的求和。该解码器共有5层，每层依次由Upception块A和b组成。图中是以输入为480×640的为例，层和块的输出分辨率如图所示。
解码器：
解码器的主要设计目的是得到和原始输入分辨率相同的密集预测。通过解码器，特征图的分辨率逐渐恢复到输入图像的分辨率。提出的Upception网络块，它由Upception block A和Upception block b两个子块组成。A块（左）保持分辨率和feature map通道数量不变; B块（右）增加了特征图的分辨率，减少了通道数量。详细结构如下图所示：
在A块（左）中，有3个卷积层，通过这3个层，特征通道的分辨率和数量都不发生变化。引入从第三批归一化层的输入到输出的shortcut（捷径/远跳）。输入和特征图是元素求和。在B块（右）中，第一卷积层(Conv1)保持分辨率不变，并将特征通道的数量减少2倍。第二卷积层(Conv2)保持特征通道的分辨率和数量不变。与块A相似，输入远跳（残差）到第三批归一化层。由于第一个转置卷积层(TransConv 1)保持通道的数量不变，并增加分辨率2倍，第二转置卷积层(TransConv 2)是需要增加分辨率和减少通道数。否则，特征图的形状将不匹配，无法进行求和操作。Upception块中的神经网络层的详细配置显示在下表中。
数据集的设置：
使用MFnet中发布的公共数据集，它使用InfReC R500相机记录了城市场景，可以同时传输RGB和热图像。数据集包含1569对RGB和thermal图像，其中白天820对，夜间749对。在ground truth中有9个手工标记的语义类，包括未标记的背景类。数据集中的图像分辨率为480×640。我们采用[27]中提出的数据集拆分方案。训练集由50%的白天图像和50%的夜间图像组成。验证集由25%的白天图像和25%的夜间图像组成，其他图像用于测试。
评价指标：
采用两个度量标准来定量评价语义分割的性能。第一个是每个类的准确性(Acc)，也称为召回。第二个是每个类的交并比 (IoU)。这两个度量的所有类的平均值分别表示为mAcc和mIoU。公式如下：
实验结果：
总的实验结果，包括白天和黑天都在一起计算的结果：
比较设计的两个模型RTFNet-50和RTFNet-152在mAcc指标下的结果：
白天黑天单独比较的结果如下：
可视化的样例结果图：
总结：
本文提出了一种基于热数据的城市场景语义分割网络。实验结果表明，该网络在各种场景下，甚至在具有挑战性的光照条件下都具有优越性。无论如何，未来仍有几个问题需要解决。首先，推理速度较低，特别是在嵌入平台上，重点是嵌入式平台的优化。其次，网络分割出的目标边界不够清晰。为了产生清晰的边界并保留更详细的信息，将使用short-cut将低级特征映射引入高级特征映射。最后，在某些情况下，RGB图像或热图像可能比其他图像更能提供信息。例如，对于具有相似温度的物体，热象将提供较少的信息，这将是热象机的一个不利方面。对贡献较少的信息给予较低的权重或完全丢弃它将有利于筛选。在未来，将发展判别机制，以发现更有信息量的数据。
本文仅做学术分享，如有侵权，请联系删文。
