基于弱标注集的新型城市物体检测框架
计算机视觉与模式识别
2017-07-17 v2
摘要
城市信息学探索数据科学方法以基于数据集中解决不同城市问题。可利用数据的多样性和大量性应被探索，但这带来了重要挑战。例如，尽管有强大的计算机视觉方法可探索，它们可能需要大型标注数据集。在这项工作中，我们提出一种新颖的方法，以最少的人工标注自动创建物体识别系统。该方法背后的基本思想是使用来自大城市中可用在线摄像头的大型输入数据集。一个现成的弱分类器用于检测初始的一组感兴趣城市元素（例如汽车、行人、自行车等）。这样的初始数据集经历质量控制过程，随后用于微调一个强分类器。质量控制和比较性能评估用作流水线的一部分。我们基于监控摄像头评估检测汽车的方法。使用真实数据的实验结果表明，尽管丧失了通用性，最终检测器提供了针对所选摄像头定制的更好检测率。编程机器人从24个在线城市摄像头收集了770视频小时（~300GB），已输入所提出的系统。我们的方法表明，相对于使用现成算法的最先进方法，该方法将召回率（93%）提升了近一倍。
引用
@article{arxiv.1706.09308,
title = {A New Urban Objects Detection Framework Using Weakly Annotated Sets},
author = {Eric Keiji and Gabriel Ferreira and Claudio Silva and Roberto M. Cesar},
journal= {arXiv preprint arXiv:1706.09308},
year = {2017}
}