利用自监督实例对比学习进行雷达目标检测
计算机视觉与模式识别
2024-02-14 v1
摘要
近年来，受对更安全、更自主交通系统需求的驱动，汽车行业已转向集成越来越多的先进驾驶辅助系统（ADAS）。在用于目标识别任务的各种传感器中，雷达传感器因其在恶劣天气条件或低光照场景下的能力以及在不同环境中保持一致性能的鲁棒性，已成为强有力的竞争者。然而，雷达数据集规模小以及数据标注的复杂性限制了雷达目标检测器的性能。受自监督学习在计算机视觉中取得的 promising 结果的驱动，本文提出了 RiCL，一种用于预训练雷达目标检测器的实例对比学习框架。我们建议利用雷达检测结果和时间信息，通过对比学习以自监督方式预训练雷达目标检测模型。我们的目标是预训练目标检测器的 backbone、head 和 neck，以便用更少的数据进行学习。在 CARRADA 和 RADDet 数据集上的实验表明，我们的方法在学习距离 - 多普勒图中的通用物体表示方面是有效的。值得注意的是，我们的预训练策略使我们仅使用 20% 的标注数据即可达到与使用整个训练集的监督方法相似的 [email protected]。
引用
@article{arxiv.2402.08427,
title = {Leveraging Self-Supervised Instance Contrastive Learning for Radar Object Detection},
author = {Colin Decourt and Rufin VanRullen and Didier Salle and Thomas Oberlin},
journal= {arXiv preprint arXiv:2402.08427},
year = {2024}
}
备注
8 pages, 3 figures, 1 table