挑战性条件下的交通标志检测：深入考察性能变化与频谱特性
计算机视觉与模式识别
2019-08-30 v1 机器学习
图像与视频处理
信号处理
摘要
交通标志对维护道路安全与效率至关重要。因此，我们需要仔细评估自动交通标志检测系统的能力与局限。现有交通标志数据集在挑战性条件的类型与严重程度上存在局限。对应于这些条件的元数据不可用，且由于众多条件同时变化，无法考察单一因素的影响。为克服现有数据集的不足，我们引入了 CURE-TSD-Real 数据集，其基于对应于真实环境与系统中可能出现的对抗样本的模拟挑战性条件。我们测试了两种基准算法的性能，表明严峻条件可导致精确率平均下降 29%、召回率平均下降 68%。我们通过频谱分析考察挑战性条件的影响，表明挑战性条件可导致明显的幅度谱特征。此外，我们表明挑战性条件下视频序列变化的平均幅度谱可作为检测性能的指示量。CURE-TSD-Real 数据集可在 https://github.com/olivesgatech/CURE-TSD 在线获取。
引用
@article{arxiv.1908.11262,
title = {Traffic Sign Detection under Challenging Conditions: A Deeper Look Into Performance Variations and Spectral Characteristics},
author = {Dogancan Temel and Min-Hung Chen and Ghassan AlRegib},
journal= {arXiv preprint arXiv:1908.11262},
year = {2019}
}
备注
13 pages, 9 figures, 4 tables. IEEE Transactions on Intelligent Transportation Systems, 2019