TL-GAN：通过数据合成改进自动驾驶中的交通灯识别
计算机视觉与模式识别
2022-03-30 v1
摘要
交通灯识别作为自动驾驶车辆感知模块的关键组成部分，在智能交通系统中发挥着至关重要的作用。基于深度学习的流行交通灯识别方法严重依赖大量且丰富多样的训练数据。然而，在各种罕见场景（如闪烁、断电或极端天气）下收集数据极具挑战性，从而导致训练数据分布不平衡，进而造成罕见类别识别性能下降。本文中，我们旨在通过利用数据合成来改进交通灯识别。受生成对抗网络（GAN）启发，我们提出一种新颖的交通灯生成方法 TL-GAN，用于合成罕见类别的数据，以改进自动驾驶中的交通灯识别。TL-GAN 将交通灯序列生成解耦为图像合成与序列组装。在图像合成阶段，我们的方法支持条件生成，以允许对生成交通灯图像的颜色进行完全控制。在序列组装阶段，我们设计风格混合与自适应模板来合成逼真且多样的交通灯序列。大量实验表明，所提出的 TL-GAN 相较未使用生成数据的基线有显著提升，且与用于通用图像合成与数据不平衡处理的竞争算法相比达到了最先进的性能。
引用
@article{arxiv.2203.15006,
title = {TL-GAN: Improving Traffic Light Recognition via Data Synthesis for Autonomous Driving},
author = {Danfeng Wang and Xin Ma and Xiaodong Yang},
journal= {arXiv preprint arXiv:2203.15006},
year = {2022}
}