面向智能路侧基础设施的 2.5D 目标检测
计算机视觉与模式识别
2025-07-17 v2 机器学习
摘要
自动驾驶车辆的车载传感器可能会被遮挡、部分遮蔽或受限于有限的视野，从而使下游驾驶决策复杂化。安装在升高有利位置的智能路侧基础设施感知系统，可以提供广阔、无遮挡的交叉路口覆盖，通过车联网（V2X）通信为自动驾驶车辆提供补充信息流。然而，传统的 3D 目标检测算法难以泛化到由俯视视角和陡峭相机角度引入的领域偏移。我们引入了一个专门为基础设施路侧安装摄像头量身定制的 2.5D 目标检测框架。与传统的 2D 或 3D 目标检测不同，我们采用一种预测方法，在图像帧中将车辆的地平面检测为平行四边形。该平行四边形保留了物体的平面位置、大小和方向，同时省略了其高度，而高度对于大多数下游应用来说是不必要的。在训练中，我们利用了真实世界和合成生成场景的混合。我们在一个保留的相机视角以及训练集中未出现的恶劣天气场景下评估了泛化能力。我们的结果显示出了高检测精度、强跨视角泛化能力以及对不同光照和天气条件的鲁棒性。模型权重和推理代码可在以下网址获取：https://gitlab.kit.edu/kit/aifb/ATKS/public/digit4taf/2.5d-object-detection
引用
@article{arxiv.2507.03564,
title = {2.5D Object Detection for Intelligent Roadside Infrastructure},
author = {Nikolai Polley and Yacin Boualili and Ferdinand Mütsch and Maximilian Zipfl and Tobias Fleck and J. Marius Zöllner},
journal= {arXiv preprint arXiv:2507.03564},
year = {2025}
}
备注
Accepted at 2025 IEEE 28th International Conference on Intelligent Transportation Systems (ITSC)