利用极少训练样本进行物体识别以增强自行车地图

近年来，数据驱动方法在提取城市基础设施信息方面取得了巨大成功。这些算法通常在由数千或数百万标注训练样本组成的大型数据集上训练。尽管关于汽车的大型数据集已经发布，但对于骑行者而言，可用的标注数据极少，即使相关物体的外观、视角和定位也存在差异。不幸的是，标注数据成本高昂且需要大量工作。因此，本文着手解决极少标签学习的问题。目标是识别众包数据中的特定交通标志，以收集骑行者感兴趣的信息。我们提出了一种仅以平均每类 15 个样本训练的物體识别系统。为此，我们结合卷积神经网络与随机森林的优势来学习一种块级分类器。下一步，我们将随机森林映射为神经网络，并将分类器转换为全卷积网络。由此，全图的处理显著加速，且可预测边界框。最后，我们集成全球定位系统(GPS)数据以在地图上定位预测结果。与 Faster R-CNN 及其他用于物体识别的网络或迁移学习算法相比，我们大幅减少了所需的标注数据量。我们展示了对骑行者交通标志识别及其在地图中定位的良好性能。