基于众包的大规模自动数据采集用于人行横道分类:一种深度学习方法
计算机视觉与模式识别
2018-05-31 v1 机器学习
摘要
正确识别人行横道对于驾驶活动和移动自主性是一项基本任务。多年来文献中提出了许多人行横道分类、检测与定位系统。这些系统使用不同视角来解决人行横道分类问题:卫星图像、驾驶舱视角(从车顶或挡风玻璃后)以及行人视角。文献中大多数工作均使用小型且局部的(即多样性低的)数据集设计与评估。扩展到大型数据集对标注过程提出了挑战。此外,文献中仍需要进行跨数据库实验,因为通常难以在最终应用的同一地点与条件下收集数据。本文提出一种基于深度学习的行人横道分类系统。为此,利用OpenStreetMap和Google Street View等众包平台,通过大规模数据库的自动采集与标注实现自动训练。此外,本工作对使用全自动数据采集与标注训练的模型与部分人工标注的模型进行了对比研究。实验中也包含了跨数据库实验,以表明所提方法可用于真实世界应用。我们的结果表明,在全自动数据库上训练的模型取得了高总体准确率(94.12%),且通过对数据库特定部分进行人工标注可取得统计显著的提升(至96.30%)。最后,跨数据库实验结果表明两种模型对图像与场景的多种变化均具有鲁棒性,表现出一致的行为。
引用
@article{arxiv.1805.11970,
title = {Automatic Large-Scale Data Acquisition via Crowdsourcing for Crosswalk Classification: A Deep Learning Approach},
author = {Rodrigo F. Berriel and Franco Schmidt Rossi and Alberto F. de Souza and Thiago Oliveira-Santos},
journal= {arXiv preprint arXiv:1805.11970},
year = {2018}
}
备注
13 pages, 13 figures, 3 videos, and GitHub with models