基于卷积神经网络的车辆检测相机设计的软原型方法
计算机视觉与模式识别
2019-10-25 v1
摘要
成像系统日益用作卷积神经网络（CNN）进行目标检测的输入；我们希望设计针对此目的优化的相机。为每一种潜在相机设计制造不同相机然后获取并标注必要数据是不切实际的；在情境中创建相机软件仿真（软原型）是唯一现实的方法。我们实现了软原型工具，能够定量仿真图像辐射与相机设计，以生成输入到用于车辆检测的卷积神经网络中的逼真图像。我们利用这些方法量化了关键硬件组件（像素尺寸）、传感器控制（曝光算法）和图像处理（伽马与去马赛克算法）对车辆检测平均精度的影响。我们量化了（a）像素尺寸与在不同距离检测车辆能力之间的关系，（b）选择不佳曝光时长的代价，以及（c）CNN对多种采集后处理算法执行车辆检测的能力。这些结果表明，用于车辆检测的最优选择不受消费摄影中图像质量所用相同指标的约束。对于CNN应用，使用具有任务特定指标的软原型而非消费摄影指标来评估相机设计更为可取。
引用
@article{arxiv.1910.10916,
title = {Soft Prototyping Camera Designs for Car Detection Based on a Convolutional Neural Network},
author = {Zhenyi Liu and Trisha Lian and Joyce Farrell and Brian Wandell},
journal= {arXiv preprint arXiv:1910.10916},
year = {2019}
}