北欧地区车辆检测性能研究
计算机视觉与模式识别
2024-03-25 v1 机器学习
摘要
本文针对北欧地区严酷冬季条件下车辆检测的关键挑战展开研究，这些条件包括大雪、低能见度和弱光照。由于传统车辆检测方法易受环境失真和遮挡的影响，在这些恶劣条件下表现不佳。先进的深度学习架构虽带来希望，但北欧冬季车辆检测的独特困难仍未得到充分解决。本研究使用包含瑞典北部无人机图像的北欧车辆数据集（NVD），评估了最先进的车辆检测算法在恶劣天气条件下的性能。我们的方法包括对单阶段、两阶段和基于Transformer的检测器在NVD上进行全面评估。我们针对每种检测框架提出了一系列定制化改进，包括数据增强、超参数调优、迁移学习，以及专为DETR模型设计的新策略。我们的发现不仅揭示了当前检测系统在北欧环境中的局限性，也为增强这些算法在冬季复杂场景下车辆检测的鲁棒性和准确性提供了有前景的方向。代码和数据集可在 https://nvd.ltu-ai.dev 获取。
引用
@article{arxiv.2403.15017,
title = {Vehicle Detection Performance in Nordic Region},
author = {Hamam Mokayed and Rajkumar Saini and Oluwatosin Adewumi and Lama Alkhaled and Bjorn Backe and Palaiahnakote Shivakumara and Olle Hagner and Yan Chai Hum},
journal= {arXiv preprint arXiv:2403.15017},
year = {2024}
}
备注
submitted to ICPR2024