通过在任意自然图像上叠加合成上下文实现深度交通灯检测
计算机视觉与模式识别
2020-12-14 v3
摘要
深度神经网络成为与自动驾驶相关的诸多问题的有效解决方案。通过向网络提供具有交通上下文的真实图像样本，模型学会检测并分类感兴趣的元素，如行人、交通标志和交通灯。然而，获取和标注真实数据在时间与精力上可能极其昂贵。在此背景下，我们提出一种为深度交通灯检测器生成人工交通相关训练数据的方法。该数据使用基础的非写实计算机图形生成，将伪造的交通场景混合到与交通领域无关的任意图像背景之上。因此，无需标注工作即可生成大量训练数据。此外，它还解决了交通灯数据集中主要由黄灯样本量少导致的内在数据不平衡问题。实验表明，使用问题域中的真实训练数据所能取得的结果可被媲美，所生成数据的平均 mAP 和平均 F1-score 分别比真实世界参考模型所得的相应指标高出近 4 个百分点。
引用
@article{arxiv.2011.03841,
title = {Deep traffic light detection by overlaying synthetic context on arbitrary natural images},
author = {Jean Pablo Vieira de Mello and Lucas Tabelini and Rodrigo F. Berriel and Thiago M. Paixão and Alberto F. de Souza and Claudine Badue and Nicu Sebe and Thiago Oliveira-Santos},
journal= {arXiv preprint arXiv:2011.03841},
year = {2020}
}