Semantische Instanzsegmentierung basierend auf Deep Learning im Kontext des automatisierten Fahrens

Abstract

Die Grundlage, auf der das Selbstfahrende Auto Aktionen plant, bildet ein umfassendes Modell der umgebenden Szene. Eine der Hauptinformationsquellen fur semantische Informationen uber die umgebende Szene sind Kamerabilder. In dieser Arbeit wurde ein Neuronales Netzwerk entwickelt, welches jedem Pixel eines Kamerabildes eine semantische Klasse zuweist und innerhalb der Klasse zwischen Instanzen unterscheiden kann(Instanzsegmentierung). Der Ansatz der Instanzsegmentierung basiert auf einer Architektur, die eine Semantische Segmentierung, eine Objektdetektion und eine pixelweiseBestimmung relativer Positionen innerhalb einer Instanz auf einer geteilten Feature-Map bestimmt, was zu einer besseren Ausnutzung der begrenzten Ressourcen fuhrt. Eine Evaluation des Trainings der verschiedenen Aufgaben auf Basis desselben Netzwerkes zur Erstellung der Feature-Map ergab, dass hieraus eine Verschlechterung der Detektion im Verhältnis zum Einzelnetzwerk folgt. Durch neue Netzwerkstrukturen, die die pixelweise Semantische Segmentierung als weitere Informationsgrundlage verwenden, konnte dieser Nachteil ausgeglichen und die Detektion sogar verbessert werden. Die Qualität der Instanzsegmentierung liegt beim Cityscapes-Benchmark im Mittelfeld aller Ansätze. Verbesserungsmöglichkeiten liegen bei der Prädiktion der pixelweisen Informationen und beim Kriterium, das die Semantische Segmentierung, die relativen Positionen und die Objektdetektion zu einer Instanzsegmentierung vereint. Eine Anwendung des Netzwerks auf medizinische Daten erweist sich ebenfalls als sinnvoll.