面向自动驾驶应用的自配置稳定化实时检测学习
计算机视觉与模式识别
2022-09-30 v1 系统与控制
系统与控制
摘要
在自动驾驶环境中，同时保证实时性与准确的物体检测至关重要。然而，现有物体检测神经网络系统的特点是在计算时间与精度之间存在权衡，使得优化该权衡成为必要。幸运的是，在许多自动驾驶环境中，图像以连续形式到来，提供了利用光流的机会。本文中，我们利用光流估计提升了物体检测神经网络的性能。此外，我们提出一种受稳定性约束的时间平均性能最大化李雅普诺夫优化框架。它自适应决定是否使用光流以适应动态车辆环境，从而同时保证车辆队列稳定性与时间平均最大性能。为验证关键思想，我们利用多种物体检测神经网络与光流估计网络进行了数值实验。此外，我们基于 YOLOv3-tiny 与 FlowNet2-S（分别为实时物体检测网络与光流估计网络）演示了自配置稳定化检测。在演示中，我们提出的框架将精度提升 3.02%、检测物体数量提升 59.6%，并提升了计算能力的队列稳定性。
引用
@article{arxiv.2209.14525,
title = {Self-Configurable Stabilized Real-Time Detection Learning for Autonomous Driving Applications},
author = {Won Joon Yun and Soohyun Park and Joongheon Kim and David Mohaisen},
journal= {arXiv preprint arXiv:2209.14525},
year = {2022}
}