基于 DETR 的自动车辆检测：面向恶劣道路的变换器方法
计算机视觉与模式识别
2025-02-26 v1
摘要
在多样化的驾驶环境中进行自动车辆检测 (AVD) presents unique 挑战 due to varying lighting conditions, road types, and vehicle types。传统方法，如 YOLO 和 Faster R-CNN，往往难以应对这些复杂性。随着计算机视觉的发展， 将卷积神经网络 (CNN) 与基于变换器的方法结合，为提高检测精度和效率提供了前景。本研究是首次尝试在复杂多变的环境中使用检测变换器 (DETR) 进行自动车辆检测。我们采用 Co-DETR 的协作混合分配训练方案来增强 DETR 中的特征学习和注意力机制。通过利用多样化的标签分配策略并引入多个平行辅助头，我们在训练期间提供更有效的监督，并提取正坐标以提高训练效率。通过在 BadODD 数据集上对 DETR 变体和 YOLO 模型进行广泛实验，我们展示了我们方法的优势。我们的 method 取得了卓越的结果，在 diverse conditions 下实现了 improved accuracy，使其在实际部署中具有实用性。这项工作显著推进了自动导航技术，为自主车辆的对象检测开辟了新的研究方向。通过整合 CNN 和变换器的优势，我们突显了 DETR 在恶劣驾驶环境中实现稳健且高效车辆检测的潜力。
引用
@article{arxiv.2502.17843,
title = {Automatic Vehicle Detection using DETR: A Transformer-Based Approach for Navigating Treacherous Roads},
author = {Istiaq Ahmed Fahad and Abdullah Ibne Hanif Arean and Nazmus Sakib Ahmed and Mahmudul Hasan},
journal= {arXiv preprint arXiv:2502.17843},
year = {2025}
}