YOLO-Vehicle-Pro：恶劣天气下自动驾驶目标检测的云边协同框架
计算机视觉与模式识别
2024-10-24 v1 信息检索
摘要
随着自动驾驶技术的快速发展，高效准确的目标检测能力已成为确保自动驾驶系统安全性和可靠性的关键因素。然而，在雾霾等低能见度环境下，传统目标检测算法的性能通常会显著下降，无法满足自动驾驶的需求。为了应对这一挑战，本文提出了两种创新的深度学习模型：YOLO-Vehicle和YOLO-Vehicle-Pro。YOLO-Vehicle是一种专门为自动驾驶场景定制的目标检测模型，采用多模态融合技术结合图像和文本信息进行目标检测。YOLO-Vehicle-Pro在此基础上引入了改进的图像去雾算法，增强了在低能见度环境下的检测性能。除了模型创新，本文还设计并实现了一个云边协同的目标检测系统，将模型部署在边缘设备上，并在复杂情况下将部分计算任务卸载到云端。实验结果表明，在KITTI数据集上，YOLO-Vehicle-v1s模型在保持226 FPS检测速度和12ms推理时间的同时，达到了92.1%的准确率，满足了自动驾驶的实时性要求。在处理雾霾图像时，YOLO-Vehicle-Pro模型在Foggy Cityscapes数据集上达到了82.3% mAP@50的高准确率，同时保持了43 FPS的检测速度。
引用
@article{arxiv.2410.17734,
title = {YOLO-Vehicle-Pro: A Cloud-Edge Collaborative Framework for Object Detection in Autonomous Driving under Adverse Weather Conditions},
author = {Xiguang Li and Jiafu Chen and Yunhe Sun and Na Lin and Ammar Hawbani and Liang Zhao},
journal= {arXiv preprint arXiv:2410.17734},
year = {2024}
}