一种用于原始雷达帧在线目标检测的循环 CNN
计算机视觉与模式识别
2024-06-06 v3 图像与视频处理
摘要
汽车雷达传感器为高级驾驶辅助系统（ADAS）提供有价值的信息。无论天气和光照条件如何，雷达都能可靠地估计到物体的距离和相对速度。然而，雷达传感器存在分辨率低以及物体形状类内差异巨大的问题。利用时间信息（例如多帧）已被证明有助于更好地捕捉物体的动态，从而捕捉物体形状的变化。大多数时序雷达目标检测器使用 3D 卷积来学习空间和时间信息。然而，这些方法通常是非因果的，不适合实时应用。本工作提出 RECORD，一种用于在线雷达目标检测的新的循环 CNN 架构。我们提出一种端到端可训练的架构，混合卷积与 ConvLSTM 来学习连续帧之间的时空依赖关系。我们的模型是因果的，仅需 ConvLSTM 记忆中编码的过去信息即可检测物体。我们的实验表明，这种方法在不同雷达表示（距离-多普勒、距离-角度）上检测物体具有有效性，并在 ROD2021 和 CARRADA 数据集上优于 SOTA 模型，同时计算开销更低。
引用
@article{arxiv.2212.11172,
title = {A recurrent CNN for online object detection on raw radar frames},
author = {Colin Decourt and Rufin VanRullen and Didier Salle and Thomas Oberlin},
journal= {arXiv preprint arXiv:2212.11172},
year = {2024}
}
备注
11 pages, 4 figures, 5 tables