结合视觉显著性方法与稀疏关键点标注实现夜间车辆的前瞻性检测
计算机视觉与模式识别
2022-09-28 v2
摘要
夜间对其他道路使用者的前瞻性检测具有提升道路安全的潜力。为此，人类直觉性地利用视觉线索，例如其他道路使用者发出的光锥与光反射，以便尽早对迎面交通作出反应。该行为可由计算机视觉方法通过基于车辆前灯引起的发射光反射来预测车辆外观来模仿。由于当前目标检测算法主要基于检测通过边界框标注的直接可见物体，对无锐利边界的光反射的检测与标注颇具挑战。为此，发布了广泛的开源数据集PVDN（夜间前瞻性车辆检测），其包含夜间交通场景及通过关键点标注的光反射。本文中，我们探索基于显著性的方法之潜力，以基于PVDN数据集的视觉显著性与稀疏关键点标注创建不同的物体表示。为此，我们通过考虑人类给出的稀疏关键点标注，将布尔图显著性的通用思想扩展为上下文感知方法。我们表明该方法允许自动推导不同的物体表示，如二值图或边界框，从而检测模型可基于不同标注变体进行训练，且夜间车辆前瞻性检测问题可从不同视角加以解决。由此，我们提供了进一步强有力的工具与方法来研究在车辆实际可见之前检测夜间车辆的问题。
引用
@article{arxiv.2204.11535,
title = {Combining Visual Saliency Methods and Sparse Keypoint Annotations to Providently Detect Vehicles at Night},
author = {Lukas Ewecker and Lars Ohnemus and Robin Schwager and Stefan Roos and Tim Brühl and Sascha Saralajew},
journal= {arXiv preprint arXiv:2204.11535},
year = {2022}
}