用于驾驶动作时间定位的密度引导标签平滑
计算机视觉与模式识别
2024-03-12 v1
摘要
驾驶动作的时间定位在高级驾驶辅助系统和自然主义驾驶研究中起着至关重要的作用。然而，由于对鲁棒性、可靠性和精确定位的严格要求，这是一项具有挑战性的任务。在本文中，我们专注于通过有效利用视频动作识别网络并将其适配于动作定位问题来提升整体性能。为此，我们首先开发了一种基于标签概率分布的密度引导标签平滑技术，以促进从通常包含多个标签的边界视频片段中进行更好的学习。其次，我们设计了一个后处理步骤，以有效地融合来自视频片段和多个摄像机视角的信息，生成场景级预测，从而有助于消除假阳性。我们的方法在 2022 年 NVIDIA AI City Challenge 自然主义驾驶动作识别赛道 A2 测试集上取得了具有竞争力的表现，F1 得分为 0.271。
引用
@article{arxiv.2403.06616,
title = {Density-Guided Label Smoothing for Temporal Localization of Driving Actions},
author = {Tunc Alkanat and Erkut Akdag and Egor Bondarev and Peter H. N. De With},
journal= {arXiv preprint arXiv:2403.06616},
year = {2024}
}