HSI-Road新增六类表面标签，RGBN_stk在5/6模型上碾压RGB_reg！
HSI-Road Relabeled: Surface-Aware Road-Scene Segmentation
📖 AI 总结
本文针对HSI-Road数据集缺乏表面级标注的问题，提出了一套人工标注的六类分类体系，涵盖背景、沥青、混凝土、泥土、水和草地，并构建了RGB到近红外（NIR）图像的配准流程及相应标注。研究评估了六种语义分割模型在四种输入配置下的表现：原始分辨率RGB、配准后的低分辨率RGB、NIR以及通道堆叠的RGB-NIR组合。结果显示，原始分辨率RGB整体性能最佳，但其像素量是匹配分辨率输入的12倍。在192×384的匹配分辨率下，RGB-NIR堆叠配置在六种模型上均优于单独使用NIR，并在五种模型上优于低分辨率RGB，其中对水体类别的提升最为稳定。该工作凸显了空间分辨率对分割性能的重要影响，同时表明NIR能够为RGB提供有效的互补信息，为道路场景的表面感知分割提供了新的标注资源和评测基准。
🔑 关键词速览
| HSI-Road | 一个提供配对 RGB 和 25 通道近红外图像及二值掩码的道路场景数据集。 |
| RGB-to-NIR registration | 将 RGB 图像与近红外图像进行空间对齐的配准流程，以生成对应标注。 |
| Semantic Segmentation Models (SSMs) | 用于对图像中每个像素进行类别预测的深度学习模型，本文评估了六种。 |
| RGBN_stk | 将配准后的低分辨率 RGB 与 NIR 通道堆叠作为输入的配置。 |
| Mean IoU | 平均交并比，衡量分割模型预测区域与真实区域重叠程度的常用指标。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅