基于深度学习的复杂交通环境感知计算机视觉方法：综述
计算机视觉与模式识别
2022-11-11 v1 图像与视频处理
摘要
近年来，智能交通系统（ITS）与自动驾驶（AD）中的计算机视觉应用已转向深度神经网络架构。尽管在基准数据集上的性能似乎有所提升，许多现实世界的挑战尚未在研究中得到充分考虑。本文对计算机视觉在 ITS 与 AD 中的应用进行了广泛的文献综述，并讨论了与数据、模型及复杂城市环境相关的挑战。数据挑战涉及训练数据的采集与标注及其与现实世界条件的相关性、数据集固有的偏差、需处理的数据量大以及隐私问题。深度学习（DL）模型通常过于复杂，难以在嵌入式硬件上实时处理，缺乏可解释性与泛化能力，且难以在真实场景中测试。复杂的城市交通环境具有不规则光照与遮挡，监控摄像头可能以各种角度安装、积尘、风中晃动，而交通状况高度异构，存在违规行为和拥挤场景中的复杂交互。一些受这些问题影响的代表性应用包括交通流估计、拥堵检测、自动驾驶感知、车辆交互以及用于实际部署的边缘计算。本文也在优先考虑实际部署的同时，探讨了应对这些挑战的可能途径。
引用
@article{arxiv.2211.05120,
title = {Deep Learning based Computer Vision Methods for Complex Traffic Environments Perception: A Review},
author = {Talha Azfar and Jinlong Li and Hongkai Yu and Ruey Long Cheu and Yisheng Lv and Ruimin Ke},
journal= {arXiv preprint arXiv:2211.05120},
year = {2022}
}