2023年MathorCup大数据竞赛赛道A：基于计算机视觉的坑洼道路检测和识别 思路论文5

本专栏提供相关国内外论文文献参考,每题大约十几篇,持续更新

图注意力层为道路坑洼检测发展语义分割：基准和算法

现有的道路坑洼检测方法可归类为计算机 基于视觉或基于机器学习。前一种方法通常采用 2-D 图像分析/理解或 3-D 点云建模和分割 根据视觉传感器数据检测道路坑洼的算法。后者 方法通常使用卷积神经解决道路坑洼检测问题 端到端方式的网络 （CNN）。然而，道路坑洼不是 必然无处不在，准备一个大的注释良好的具有挑战性 用于 CNN 训练的数据集。在这方面，虽然基于计算机视觉的方法 是过去十年的主流研究趋势，基于机器学习 只是讨论了方法。最近，我们发布了第一个立体声 基于视觉的道路坑洼检测数据集和新型视差 变换算法，由此受损和未损坏的道路区域可以 高度杰出。但是，目前没有可用于 使用视差图像或 转换视差图像。因此，在本文中，我们首先讨论 专为语义分割而设计的 SoTA CNN 并评估其性能 通过大量实验进行道路坑洼检测。此外，灵感来自 图神经网络（GNN），我们提出了一种新的CNN层，称为图 注意力层（GAL），可以很容易地部署在任何现有的CNN中 优化图像特征表示以进行语义分割。我们 实验将我们性能最佳的实现 GAL-DeepLabv3+ 与 九个SoTA CNN在三种训练数据模式上：RGB图像，视差 图像，并转换了视差图像。实验结果表明， 我们提出的GAL-DeepLabv3+实现了最佳的整体坑洼检测 所有训练数据模式的准确性。