基于联合学习的通用光学汽车部件识别与检测系统域适应(Go-CaRD)
计算机视觉与模式识别
2021-02-17 v2 多媒体
摘要
用于汽车部件自动识别与检测的系统在智能车辆开发的数个新兴研究领域中至关重要。例如,它们能够实现人与车辆之间交互的检测与建模。本文中,我们在三个新颖数据集上定量与定性地探索了深度学习架构用于 29 个车内与车外车辆区域分类与定位的效力。此外,我们跨数据集实验了联合学习与迁移学习方法,并指出了我们系统的潜在应用。我们的最佳网络架构在识别上取得了 93.67 % 的 F1 分数,而我们利用 state-of-the-art 骨干网络的最佳定位方法在检测上取得了 63.01 % 的 mAP。基于视频中大量人机车辆交互的 MuSe-CAR-Part 数据集、最佳模型的权重与代码已向学术机构公开,用于基准测试与未来研究。
引用
@article{arxiv.2006.08521,
title = {Domain Adaptation with Joint Learning for Generic, Optical Car Part Recognition and Detection Systems (Go-CaRD)},
author = {Lukas Stappen and Xinchen Du and Vincent Karas and Stefan Müller and Björn W. Schuller},
journal= {arXiv preprint arXiv:2006.08521},
year = {2021}
}
备注
Demonstration and instructions to obtain data and models: https://github.com/lstappen/GoCarD