GLARE：一种用于阳光眩光下交通标志检测的数据集
计算机视觉与模式识别
2023-12-14 v2 机器学习
摘要
实时机器学习目标检测算法常见于自动驾驶车辆技术中，并依赖于高质量数据集。这些算法必须在日常条件以及强阳光眩光下正确工作。报告显示眩光是两种最突出的与环境相关的事故原因之一。然而，现有数据集，如 Laboratory for Intelligent & Safe Automobiles 交通标志（LISA）数据集和 German Traffic Sign Recognition Benchmark，完全未反映阳光眩光的存在。本文提出 GLARE（GLARE 可从 https://github.com/NicholasCG/GLARE_Dataset 获取）交通标志数据集：一组在美国交通标志受阳光强烈视觉干扰下的图像集合。GLARE 包含 2,157 张带阳光眩光的交通标志图像，提取自美国道路行车记录仪 footage 的 33 个视频。它为广泛使用的 LISA 交通标志数据集提供了重要补充。我们的实验研究表明，尽管若干 SOTA 基线架构过去在无阳光眩光条件下交通标志检测上表现良好，但在 GLARE 上测试时表现糟糕（例如，平均 mAP0.5:0.95 为 19.4）。我们还注意到，当前架构在阳光眩光交通标志图像上训练时检测性能更好（例如，平均 mAP0.5:0.95 为 39.6），并在混合条件下训练时表现最佳（例如，平均 mAP0.5:0.95 为 42.3）。
引用
@article{arxiv.2209.08716,
title = {GLARE: A Dataset for Traffic Sign Detection in Sun Glare},
author = {Nicholas Gray and Megan Moraes and Jiang Bian and Alex Wang and Allen Tian and Kurt Wilson and Yan Huang and Haoyi Xiong and Zhishan Guo},
journal= {arXiv preprint arXiv:2209.08716},
year = {2023}
}