探索热图像用于自动驾驶欠曝光区域中的目标检测
计算机视觉与模式识别
2021-05-04 v2 机器学习
摘要
欠曝光区域对于构建完整的环境感知以实现安全自动驾驶至关重要。热像仪的可用性为探索其他光学传感器难以捕获可解释信号的区域提供了重要替代方案。热像仪利用物体在红外光谱中发出的热差捕获图像，热图像中的目标检测在挑战性条件下对自动驾驶十分有效。尽管可见光谱域成像中的目标检测已趋于成熟，热目标检测仍缺乏有效性。一个重大挑战是热域标注数据的稀缺，而这是 SOTA 人工智能技术所必需的。本工作提出了一种域适应框架，采用风格迁移技术从可见光谱图像向热图像进行迁移学习。该框架使用生成对抗网络（GAN）通过风格一致性将低层特征从可见光谱域迁移到热域。当使用公开可用热图像数据集（FLIR ADAS 和 KAIST Multi-Spectral）中的风格化图像时，所提热图像目标检测方法的效果从改进的结果中得以显现。
引用
@article{arxiv.2006.00821,
title = {Exploring Thermal Images for Object Detection in Underexposure Regions for Autonomous Driving},
author = {Farzeen Munir and Shoaib Azam and Muhammd Aasim Rafique and Ahmad Muqeem Sheri and Moongu Jeon and Witold Pedrycz},
journal= {arXiv preprint arXiv:2006.00821},
year = {2021}
}