利用补充合成数据实现活跃枪手检测与鲁棒跟踪
计算机视觉与模式识别
2023-09-08 v1
摘要
美国社会对枪支暴力日益增长的担忧促使人们致力于开发提升公共安全的系统。开发此类系统的一种途径是检测并跟踪枪手，这有助于预防或减轻暴力事件的影响。本文中，我们提出将枪手作为整体进行检测，而非仅检测枪支，从而提升跟踪鲁棒性，因为遮挡枪支将不再导致系统丢失对威胁的追踪。然而，公开可用的枪手数据比单纯的枪支数据集更为有限且难以创建。因此，我们探索利用域随机化与迁移学习，以提升使用从 Unreal Engine 环境获取的合成数据训练的效果。这使模型能在更广泛的数据上训练，增强其泛化至不同情境的能力。将这些技术与 YOLOv8 和 Deep OC-SORT 结合，我们实现了可在边缘硬件（包括 Raspberry Pi 和 Jetson Nano）上运行的枪手跟踪系统初始版本。
引用
@article{arxiv.2309.03381,
title = {Active shooter detection and robust tracking utilizing supplemental synthetic data},
author = {Joshua R. Waite and Jiale Feng and Riley Tavassoli and Laura Harris and Sin Yong Tan and Subhadeep Chakraborty and Soumik Sarkar},
journal= {arXiv preprint arXiv:2309.03381},
year = {2023}
}
备注
11 pages, 6 figures