Blind-Spot Collision Detection System for Commercial Vehicles Using Multi Deep CNN Architecture

要約

バスや大型車両は、乗用車やその他の道路車両に比べてサイズが大きいため、死角が多くなります。
したがって、これらの大型車両による事故はより致命的であり、他の道路利用者に重傷を負わせます。
これらの死角衝突の可能性は、視覚ベースの物体検出アプローチを使用して早期に特定できます。
しかし、既存の最先端の視覚ベースの物体検出モデルは、意思決定を行うために単一の特徴記述子に大きく依存しています。
この研究では、高レベルの特徴記述子に基づく 2 つの畳み込みニューラル ネットワーク (CNN) の設計と、より高速な R-CNN との統合が、大型車両の死角衝突を検出するために提案されています。
さらに、死角車両検出のための高レベルの特徴を抽出するために、2 つの事前トレーニング済みネットワーク (つまり、Resnet 50 と Resnet 101) を統合するための融合アプローチが提案されています。
機能の融合により、より高速な R-CNN のパフォーマンスが大幅に向上し、既存の最先端の方法よりも優れています。
両方のアプローチは、バスの自己記録死角車両検出データセットと車両検出のオンライン LISA データセットで検証されています。
提案された両方のアプローチで、3.05% と 3.49% の誤検出率 (FDR) が自己記録データセットで得られ、これらのアプローチはリアルタイム アプリケーションに適しています。

要約(オリジナル)

Buses and heavy vehicles have more blind spots compared to cars and other road vehicles due to their large sizes. Therefore, accidents caused by these heavy vehicles are more fatal and result in severe injuries to other road users. These possible blind-spot collisions can be identified early using vision-based object detection approaches. Yet, the existing state-of-the-art vision-based object detection models rely heavily on a single feature descriptor for making decisions. In this research, the design of two convolutional neural networks (CNNs) based on high-level feature descriptors and their integration with faster R-CNN is proposed to detect blind-spot collisions for heavy vehicles. Moreover, a fusion approach is proposed to integrate two pre-trained networks (i.e., Resnet 50 and Resnet 101) for extracting high level features for blind-spot vehicle detection. The fusion of features significantly improves the performance of faster R-CNN and outperformed the existing state-of-the-art methods. Both approaches are validated on a self-recorded blind-spot vehicle detection dataset for buses and an online LISA dataset for vehicle detection. For both proposed approaches, a false detection rate (FDR) of 3.05% and 3.49% are obtained for the self recorded dataset, making these approaches suitable for real time applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google