车辆灯光的鲁棒检测、关联与定位：一种基于上下文的级联 CNN 方法及评估
计算机视觉与模式识别
2023-08-23 v2
摘要
车辆灯光检测、关联与定位是重要下游安全自动驾驶任务所必需的，例如预测车辆灯光状态以确定车辆是否正在变道或转弯。当前许多车辆灯光检测器使用单阶段检测器以预测边界框来识别车辆灯光，这种方式与车辆实例相解耦。本文中，我们提出一种在给定上游车辆检测与可见灯光中心近似情况下检测车辆灯光的方法。我们的方法预测与每个车辆灯光相关的四个近似角点。我们实验了旨在减少周围车辆混淆的 CNN 架构、数据增强与上下文预处理方法。我们取得了距真实角点平均距离误差 4.77 像素，平均约为车辆灯光尺寸的 16.33%。我们在 LISA Lights Dataset 上训练并评估我们的模型，从而能在多种车辆灯光形状与光照条件下彻底评估我们的车辆灯光角点检测模型。我们提出该模型可集成至含车辆检测与车辆灯光中心检测的流水线中，构成完整的车辆灯光检测网络，对识别驾驶场景中的轨迹信息性信号具有价值。
引用
@article{arxiv.2307.14571,
title = {Robust Detection, Association, and Localization of Vehicle Lights: A Context-Based Cascaded CNN Approach and Evaluations},
author = {Akshay Gopalkrishnan and Ross Greer and Maitrayee Keskar and Mohan Trivedi},
journal= {arXiv preprint arXiv:2307.14571},
year = {2023}
}