用于汽车雷达目标检测网络的自监督速度估计
计算机视觉与模式识别
2022-07-25 v1 人工智能
机器学习
机器人学
摘要
本文提出一种在汽车雷达数据上利用目标检测网络学习物体笛卡尔速度的方法。该方法在生成速度自身的训练信号方面是自监督的。仅需要单帧有向边界框（OBB）的标签，不需要获取成本高昂的笛卡尔速度或连续序列标签。基本思想是先使用单帧 OBB 标签预训练一个不含速度的目标检测网络，然后利用该网络在无标签数据上的 OBB 预测结果进行速度训练。具体而言，利用预测速度将无标签帧的网络 OBB 预测更新至有标签帧的时间戳，并利用无标签帧更新后的 OBB 与有标签帧的 OBB 预测之间的距离，生成速度的自监督训练信号。检测网络架构通过一个模块来处理多次扫描的时间关系，并通过另一个模块显式表示雷达的径向速度测量。采用两步训练法：先仅训练 OBB 检测，随后联合训练 OBB 检测与速度。此外，利用由雷达径向速度测量生成的伪标签进行预训练，以此引导本文的自监督方法。在公开的 nuScenes 数据集上的实验表明，所提方法的速度估计性能接近全监督训练，且不需要昂贵的速度标签。此外，我们的方法优于仅使用径向速度测量作为标签的基线方法。
引用
@article{arxiv.2207.03146,
title = {Self-Supervised Velocity Estimation for Automotive Radar Object Detection Networks},
author = {Daniel Niederlöhner and Michael Ulrich and Sascha Braun and Daniel Köhler and Florian Faion and Claudius Gläser and André Treptow and Holger Blume},
journal= {arXiv preprint arXiv:2207.03146},
year = {2022}
}
备注
Accepted for presentation at the 2022 33rd IEEE Intelligent Vehicles Symposium (IV) (IV 2022), June 5-9, 2022, in Aachen, Germany