鲁棒路边感知：一种最小化人工标注的自动化数据合成流水线
计算机视觉与模式识别
2024-02-12 v2 机器人学
图像与视频处理
摘要
近来，车到基础设施通信技术的进展提升了基于基础设施的路边感知系统对于协同驾驶的重要性。本文深入探讨其最关键挑战之一：数据不足。缺乏具有高多样性的高质量标注路边传感器数据导致当前路边感知系统的鲁棒性与可迁移性较低。本文提出一种新颖方案以解决该问题，即利用增强现实创建合成训练数据。随后应用生成对抗网络 (GAN) 进一步增强真实感，生成照片级真实感合成数据集，能够用于训练或微调对不同时天气与光照条件鲁棒的路边感知检测器。我们的方法在美国密歇根州两个关键交叉口进行了严格测试：Mcity 交叉口与 State St./Ellsworth Rd 环岛。Mcity 交叉口位于 Mcity 测试场内，是一个受控测试环境。相比之下，State St./Ellsworth Rd 交叉口是一个繁忙环岛，以高交通流量和每年大量事故而臭名昭著。实验结果表明，仅基于合成数据训练的探测器在所有条件下均表现出令人满意的性能。此外，当与标注数据结合时，合成数据可显著提升已有检测器的性能，尤其在恶劣条件下。
引用
@article{arxiv.2306.17302,
title = {Robust Roadside Perception: an Automated Data Synthesis Pipeline Minimizing Human Annotation},
author = {Rusheng Zhang and Depu Meng and Lance Bassett and Shengyin Shen and Zhengxia Zou and Henry X. Liu},
journal= {arXiv preprint arXiv:2306.17302},
year = {2024}
}
备注
Accepted by IEEE Transactions on Intelligent Vehicles