可见性引导 NMS：在拥挤交通场景中高效提升非模态目标检测
计算机视觉与模式识别
2020-06-16 v1 机器学习
机器人学
图像与视频处理
摘要
目标检测是自动驾驶环境感知中的一项重要任务。Yolo、SSD 或 Faster R-CNN 等现代 2D 目标检测框架为每个目标预测多个边界框，并使用非极大值抑制（NMS）进行精炼以保留唯一边界框而抑制其余。尽管目标检测本身是完全端到端可学习的且不需要任何手动参数选择，标准 NMS 却由一个需手工设定的重叠阈值参数化。在实践中，这常导致标准 NMS 策略在存在高度相互遮挡的拥挤场景中（例如停放的车辆或行人密集人群）无法区分不同目标。我们提出的新型可见性引导 NMS（vg-NMS）同时利用基于像素和非模态目标检测范式，以极少的计算开销特别改善了高度遮挡目标的检测性能。我们使用 KITTI、VIPER 以及 Synscapes 数据集评估 vg-NMS，并表明其优于当前最先进的 NMS。
引用
@article{arxiv.2006.08547,
title = {Visibility Guided NMS: Efficient Boosting of Amodal Object Detection in Crowded Traffic Scenes},
author = {Nils Gählert and Niklas Hanselmann and Uwe Franke and Joachim Denzler},
journal= {arXiv preprint arXiv:2006.08547},
year = {2020}
}
备注
Machine Learning for Autonomous Driving Workshop at the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019), Vancouver, Canada