面向自动驾驶中行人检测的安全适应损失函数
机器学习
2024-02-06 v1 计算机视觉与模式识别
摘要
在自动驾驶等安全关键领域，目标检测器的错误可能危及行人和其他脆弱道路用户(VRU)。常用评估指标并非充分的安全指示器，近期研究采用方法识别安全关键VRU并将风险反向标注给目标检测器。然而，这些方法未在深度神经网络(DNN)训练过程中考虑安全因素。因此，现有的SOTA模型对所有误检同样惩罚，无论其严重性。随后，为缓解关键失误案例(即漏检)的发生，可能需要一种以提升关键行人检测性能为目标的安全感知训练策略。本文提出一种新颖的安全感知损失变体，利用训练期间估计的行人关键性评分。我们利用基于可达集的时间碰撞(TTC-RSB)度量从运动领域获取信息，结合距离信息以量化最坏情形威胁，从而衡量关键性。我们的评估结果表明，在nuScenes数据集上使用RetinaNet和FCOS进行训练后，采用本文的安全感知损失函数可在不牺牲一般情况(即行人位于安全关键区之外)性能的前提下，减轻了关键行人的漏检。
引用
@article{arxiv.2402.02986,
title = {A Safety-Adapted Loss for Pedestrian Detection in Automated Driving},
author = {Maria Lyssenko and Piyush Pimplikar and Maarten Bieshaar and Farzad Nozarian and Rudolph Triebel},
journal= {arXiv preprint arXiv:2402.02986},
year = {2024}
}