SIMBAR：基于单图像的场景重打光用于自动驾驶视觉任务的有效数据增强
计算机视觉与模式识别
2022-04-05 v1 机器学习
摘要
真实世界自动驾驶数据集由道路上不同行驶过程聚合的图像组成。以可控方式将所捕获场景重打光至未见过的光照条件，提供了以更丰富光照条件变体增强数据集的机会，类似于真实世界中会遇到的情形。本文提出一种新颖的基于图像的重打光流水线 SIMBAR，可仅以单幅图像作为输入工作。据我们所知，此前尚无利用单图像显式几何表示进行场景重打光的工作。我们给出了与先前多视图场景重打光基线的定性比较。为进一步验证并有效量化利用 SIMBAR 进行自动驾驶视觉任务数据增强的益处，我们使用最先进方法进行了目标检测与跟踪实验，在 SIMBAR 增强的 KITTI 上以 CenterTrack 取得了 93.3% 的多目标跟踪精度（MOTA）——相较 CenterTrack 在原始 KITTI 上 85.6% 的基线 MOTA 有令人印象深刻的 9.0% 相对提升，两模型均从头训练并在 Virtual KITTI 上测试。更多细节与 SIMBAR 重打光数据集，请访问我们的项目网站（https://simbarv1.github.io/）。
引用
@article{arxiv.2204.00644,
title = {SIMBAR: Single Image-Based Scene Relighting For Effective Data Augmentation For Automated Driving Vision Tasks},
author = {Xianling Zhang and Nathan Tseng and Ameerah Syed and Rohan Bhasin and Nikita Jaipuria},
journal= {arXiv preprint arXiv:2204.00644},
year = {2022}
}
备注
Accepted to CVPR 2022. Project page: https://simbarv1.github.io