融合伪标签与弱监督的动态交通场景方法
计算机视觉与模式识别
2023-08-31 v1
摘要
高级驾驶辅助系统(ADAS)借助计算机视觉在增强感知与决策能力方面取得了显著进展。然而,由于位置、天气和道路基础设施等因素导致的数据分布偏移,这些系统适应多样化交通场景面临挑战。为此,我们引入了一种弱监督标签统一流程,它融合了在异构数据集上训练的多种目标检测模型的伪标签。我们的流程通过合并来自不同数据集的标签来生成统一标签空间,纠正偏差并增强泛化能力。我们在各个数据集上微调多个目标检测模型,随后精心构建带有经过精度验证的伪标签的统一数据集。此后,我们使用合并的标签空间重新训练单一目标检测模型,最终得到一个擅长动态交通场景的鲁棒模型。我们对该方法进行了全面评估,采用来自不同亚洲国家的多样化数据集,有效证明了其在具有挑战性的道路条件下的有效性。值得注意的是,我们的方法在目标检测性能上带来显著提升,最终得到一个对域偏移具有更强抵抗力的模型。
引用
@article{arxiv.2308.15960,
title = {Fusing Pseudo Labels with Weak Supervision for Dynamic Traffic Scenarios},
author = {Harshith Mohan Kumar and Sean Lawrence},
journal= {arXiv preprint arXiv:2308.15960},
year = {2023}
}
备注
This work was accepted as an extended abstract at the International Conference on Computer Vision (ICCV) 2023 BRAVO Workshop, Paris, France