面向自动驾驶的实时交通目标检测
摘要
随着计算机视觉的最新进展，自动驾驶似乎将很快成为现代社会的一部分。然而，仍有大量问题需要解决。尽管现代计算机视觉技术表现出卓越的性能，但它们往往优先考虑精度而非效率，而效率是实时应用的一个关键方面。大型目标检测模型通常需要更高的计算能力，这通过使用更复杂的车载硬件来实现。对于自动驾驶而言，这些要求意味着燃料成本增加，并最终导致续航里程减少。此外，尽管计算需求很高，现有的目标检测器远未达到实时水平。在这项研究中，我们在公认的自动驾驶基准数据集上评估了我们先前提出的高效行人检测器 LSFM 的鲁棒性，这些数据集涵盖了多样的天气条件和夜间场景。此外，我们将 LSFM 模型扩展到通用目标检测，以实现交通场景中的实时目标检测。我们评估了其在交通目标检测数据集上的性能、低延迟和泛化能力。此外，我们讨论了当前目标检测系统在自动驾驶背景下所使用的关键性能指标的不足，并提出了一个包含实时性要求的更合适的替代方案。
引用
@article{arxiv.2402.00128,
title = {Real-time Traffic Object Detection for Autonomous Driving},
author = {Abdul Hannan Khan and Syed Tahseen Raza Rizvi and Andreas Dengel},
journal= {arXiv preprint arXiv:2402.00128},
year = {2024}
}
备注
\c{opyright} 20XX IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works