利用模板与任意自然图像实现交通标志检测的深度轻松训练
计算机视觉与模式识别
2020-07-13 v1
摘要
深度学习已成功应用于多个与自动驾驶相关的问题。这些解决方案通常依赖于大型网络，需要问题的真实图像样本数据库（即真实世界）以进行适当训练。在自动驾驶背景下，此类真实世界数据集的获取并非总是可行，且有时其标注难以实现（例如耗时过长或成本过高）。此外，在许多任务中，存在大多数基于学习的方法难以应对的固有数据不平衡。事实证明，交通标志检测是一个同时出现这三个问题的问题。在本工作中，我们提出了一种新颖的数据库生成方法，仅需（i）任意自然图像，即不需要来自感兴趣领域的真实图像，以及（ii）交通标志的模板，即合成创建以说明交通标志类别外观的模板。所轻松生成的训练数据库被证明可有效用于训练深度检测器（如Faster R-CNN）于德国交通标志，平均达到95.66%的mAP。此外，所提方法能够以约94%、91%和93%的平均精确率、召回率和F1分数检测交通标志。实验令人惊讶地表明，检测器可以使用简单的数据生成方法进行训练，且不需要用于背景的问题领域数据，这与深度学习的常识方向相反。
引用
@article{arxiv.1907.09679,
title = {Effortless Deep Training for Traffic Sign Detection Using Templates and Arbitrary Natural Images},
author = {Lucas Tabelini Torres and Thiago M. Paixão and Rodrigo F. Berriel and Alberto F. De Souza and Claudine Badue and Nicu Sebe and Thiago Oliveira-Santos},
journal= {arXiv preprint arXiv:1907.09679},
year = {2020}
}