基于显著性敏感损失的鲁棒交通灯检测：计算框架与评估
计算机视觉与模式识别
2023-05-09 v1 人工智能
机器学习
摘要
确保自动驾驶系统安全最重要的任务之一是准确检测道路交通灯并准确判断其如何影响驾驶员的动作。在各种真实驾驶场景中，一个场景可能存在众多与驾驶员相关程度不同的交通灯，因此区分并检测与驾驶员相关且会影响其动作的交通灯是一项关键的安全任务。本文提出了一种交通灯检测模型，该模型首先将有显著影响的交通灯定义为影响驾驶员未来决策的灯，从而聚焦于上述任务。随后，我们利用该显著性属性构建了 LAVA Salient Lights Dataset，这是首个带有显著性属性标注的美国交通灯数据集。接着，我们使用 Salience-Sensitive Focal Loss 训练 Deformable DETR 目标检测 transformer 模型，以强化在显著交通灯上的性能，结果表明使用该损失函数训练的模型比未使用该损失函数训练的模型具有更强的召回率。
引用
@article{arxiv.2305.04516,
title = {Robust Traffic Light Detection Using Salience-Sensitive Loss: Computational Framework and Evaluations},
author = {Ross Greer and Akshay Gopalkrishnan and Jacob Landgren and Lulua Rakla and Anish Gopalan and Mohan Trivedi},
journal= {arXiv preprint arXiv:2305.04516},
year = {2023}
}