面向自动驾驶鲁棒目标检测的雷达+RGB注意力融合
计算机视觉与模式识别
2020-09-01 v1 机器学习
摘要
本文提出两种称为 RANet 与 BIRANet 的架构变体。所提架构旨在利用雷达信号数据与 RGB 相机图像构成鲁棒检测网络，即便在雨雪、扬尘、雾等可变光照与天气条件下也能高效工作。首先，在特征提取网络中融合雷达信息。其次，利用雷达点生成引导锚框。第三，提出一种改进区域提议网络目标的方法。BIRANet 在 NuScenes 数据集上取得 72.3/75.3% 的平均 AP/AR，优于我们的基线网络 Faster-RCNN 结合特征金字塔网络(FFPN)的性能。RANet 在同一数据集上给出 69.6/71.9% 的平均 AP/AR，性能尚属可接受。此外，BIRANet 与 RANet 均被评估为对噪声具有鲁棒性。
引用
@article{arxiv.2008.13642,
title = {Radar+RGB Attentive Fusion for Robust Object Detection in Autonomous Vehicles},
author = {Ritu Yadav and Axel Vierling and Karsten Berns},
journal= {arXiv preprint arXiv:2008.13642},
year = {2020}
}
备注
This work is submitted to ICIP 2020 in Jan 2020 and the latest version of this paper will be published on IEEE official website in Oct 2020