自主驾驶异常检测中重要因素：基于弱监督的视场分析
计算机视觉与模式识别
2024-08-13 v1
摘要
自动驾驶场景下的视频异常检测（VAD）是重要任务，但由于主观视角和移动摄像头，面临诸多挑战，相关研究仍较少探索。虽然近期弱监督VAD方法在静态摄像头场景下取得显著进展，但针对移动摄像头VAD的方法开发与验证尚未被充分探讨。这主要源于现有数据集（如DoTA）未遵循弱监督学习的训练前提条件。本文旨在促进自主驾驶VAD领域的弱监督方法开发。我们对DoTA数据集进行重新组织，旨在验证在移动摄像头场景下，最新强大的弱监督VAD方法的有效性。进一步，我们详细分析在何种情况下对现有先进方法的修改能显著提升检测性能。为此，我们提出一种“特征转换模块”，通过实验表明，我们的方案能够显著提升现有弱监督VAD方法在自主驾驶场景中的VAD性能。我们的代码/数据集/演示将在github.com/ut21/WSAD-Driving上发布。
引用
@article{arxiv.2408.05562,
title = {What Matters in Autonomous Driving Anomaly Detection: A Weakly Supervised Horizon},
author = {Utkarsh Tiwari and Snehashis Majhi and Michal Balazia and François Brémond},
journal= {arXiv preprint arXiv:2408.05562},
year = {2024}
}