利用生成对抗网络增强交通场景预测
计算机视觉与模式识别
2019-09-25 v1
摘要
我们提出了一种用于预测交通场景帧的新两阶段流水线，其中相关物体仍可被可靠检测。使用近期视频预测网络，我们首先基于过去帧生成未来帧序列。随后第二个网络增强这些帧以使其看起来更真实。这确保了预测帧的质量足以实现物体的准确检测，这对于自动驾驶汽车尤为重要。为验证该两阶段方法，我们在 Cityscapes 数据集上进行了实验。对于增强，我们训练了两种基于生成对抗网络（GAN）的图像到图像翻译方法，一种用于盲运动去模糊，一种用于图像超分辨率。所有得到的预测均使用传统指标和一种最先进的物体检测网络进行定量评估，表明增强帧在质量上有所改善。虽然传统图像比较指标（即 MSE、PSNR 和 SSIM）未能确认这一视觉印象，但物体检测评估很好地反映了它。与非增强预测相比，性能最佳的预测-增强流水线能够在每个预测步骤将检测汽车的平均精度值提高约 9%。
引用
@article{arxiv.1909.10833,
title = {Enhancing Traffic Scene Predictions with Generative Adversarial Networks},
author = {Peter König and Sandra Aigner and Marco Körner},
journal= {arXiv preprint arXiv:1909.10833},
year = {2019}
}
备注
Accepted for presentation at the IEEE Intelligent Transportation Systems Conference -- ITSC 2019