面向自动驾驶中稀有物体检测的交通上下文感知数据增强
计算机视觉与模式识别
2022-07-05 v2
摘要
稀有物体（例如交通锥、交通桶和交通警告三角牌）的检测是一项重要的感知任务，可提升自动驾驶的安全性。此类模型的训练通常需要大量标注数据，而获取这些数据昂贵且耗时。为解决上述问题，一种新兴方法是应用数据增强自动生成零成本的训练样本。在本工作中，我们对自动驾驶中稀有物体检测的简单复制-粘贴 (Copy-Paste) 数据增强进行了系统性研究。具体而言，引入局部自适应实例级图像变换，以从源域到目标域生成逼真的稀有物体掩码。此外，利用交通场景上下文来指导稀有物体掩码的放置。为此，我们的数据增强通过利用局部与全局一致性生成具有高质量与逼真特性的训练数据。另外，我们构建了一个新数据集 Rare Object Dataset (ROD)，包含 10k 训练图像、4k 验证图像以及自动驾驶中多样场景的对应标签。在 ROD 上的实验表明，我们的方法在稀有物体检测上取得了有前景的结果。我们还进行了深入研究以阐明基于局部自适应与全局约束的 Copy-Paste 数据增强对稀有物体检测的有效性。ROD 的数据、开发工具包及更多信息可在 \url{https://nullmax-vision.github.io} 在线获取。
引用
@article{arxiv.2205.00376,
title = {Traffic Context Aware Data Augmentation for Rare Object Detection in Autonomous Driving},
author = {Naifan Li and Fan Song and Ying Zhang and Pengpeng Liang and Erkang Cheng},
journal= {arXiv preprint arXiv:2205.00376},
year = {2022}
}
备注
The IEEE Conference on Robotics and Automation, ICRA 2022