预见意外：用对抗冒名者训练非常规行人检测器

随着自动驾驶汽车成为日常现实，高精度的行人检测具有至关重要的实际意义。行人检测是一个研究深入且方法成熟的课题，但大多数数据集聚焦于人行道上行人以典型行走姿态出现的常见场景。然而，在危险场景下，例如儿童在街道上玩耍或人们以非常规方式使用自行车/滑板时，检测性能最为关键。这类“尾部”数据 notoriously 难以观测，使得训练和测试都非常困难。为了分析这一问题，我们收集了一个新颖的、带有标注的危险场景数据集，称为 Precarious Pedestrian 数据集。尽管付出了专门的收集努力，但以当代标准来看，该数据集相对较小（约 1000 张图像）。为了实现大规模数据驱动的学习，我们探索了使用游戏引擎生成的合成数据。一个重大挑战是选择正确的合成“先验”或参数：我们希望得到具有逼真姿态和物体配置、能模拟真实 Precarious Pedestrians 的数据。受生成对抗网络（GANs）的启发，我们生成了海量合成数据，并训练了一个判别式分类器来挑选出一个逼真的子集，我们称之为对抗冒名者（Adversarial Imposters）。我们证明，这一简单的流程允许人们在 GAN 框架内利用渲染/动画引擎来合成逼真的训练数据。有趣的是，我们还证明此类数据可用于对算法进行排名，这表明对抗冒名者也可用于测试时的“尾部”验证，这对于现实世界部署而言是一个 notoriously 困难的挑战。