DRUformer：利用驾驶关系自理解增强驾驶场景重要目标检测
计算机视觉与模式识别
2023-12-15 v2 人工智能
摘要
交通事故常导致致命伤害，截至2023年已造成超5000万人死亡。为降低驾驶危险并保障人身安全，辅助车辆行驶中预判重要目标至关重要。以往重要目标检测研究主要评估个体参与者的显著性，将其视为独立实体，常忽视参与者间联系。遗憾的是，该方法在复杂场景中的重要目标检测上效果欠佳。为此，我们提出驾驶场景关系自理解Transformer（DRUformer），旨在增强重要目标检测任务。DRUformer是一种基于Transformer的多模态重要目标检测模型，考虑了驾驶场景中所有参与者间的关系。鉴于驾驶意图也显著影响行驶中重要目标的检测，我们引入了驾驶意图嵌入模块。为评估方法性能，我们在DRAMA数据集上进行了对比实验，将本模型与其他最先进（SOTA）模型比较。结果显示，相比SOTA方法，mIoU显著提升16.2%，ACC大幅提高12.3%。此外，我们对模型在不同道路场景与类别下检测重要目标的能力做了定性分析，凸显其在多样语境中的有效性。最后，我们进行了多项消融实验以评估DRUformer中所提模块的效率。
引用
@article{arxiv.2311.06497,
title = {DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding},
author = {Yingjie Niu and Ming Ding and Keisuke Fujii and Kento Ohtani and Alexander Carballo and Kazuya Takeda},
journal= {arXiv preprint arXiv:2311.06497},
year = {2023}
}