Enhancing vehicle detection accuracy in thermal infrared images using multiple GANs

要約

車両検出精度は、良好な照度条件ではかなり正確ですが、低照度条件では検出精度が低下する可能性があります。
車両のヘッドライトまたはテールライトからの低照度とまぶしさの複合効果により、最先端の物体検出モデルによる車両検出のミスが発生する可能性が高くなります。
ただし、熱赤外線画像は照明の変化に強く、熱放射に基づいています。
最近、Generative Adversarial Networks (GAN) が画像ドメイン転送タスクで広く使用されています。
最先端の GAN モデルは、赤外線画像を日中の RGB 画像に変換することで、夜間の車両検出精度を向上させようとしました。
ただし、これらのモデルは、日中の条件と比較して夜間の条件ではパフォーマンスが低下することがわかっています。
したがって、この研究では、日中と夜間の赤外線画像間の特徴分布のギャップを縮小しようとする 2 つの異なるレベルでの GAN モデルの組み合わせに基づく 3 つの異なるアプローチを提案することにより、この欠点を軽減しようとします。
提案されたモデルのパフォーマンスを最先端のモデルと比較するための定量分析は、最先端のオブジェクト検出モデルを使用してモデルをテストすることによって行われました。
定量分析と定性分析の両方で、提案されたモデルが夜間条件での車両検出に関して最先端の GAN モデルよりも優れていることが示され、提案されたモデルの有効性が示されました。

要約(オリジナル)

Vehicle detection accuracy is fairly accurate in good-illumination conditions but susceptible to poor detection accuracy under low-light conditions. The combined effect of low-light and glare from vehicle headlight or tail-light results in misses in vehicle detection more likely by state-of-the-art object detection models. However, thermal infrared images are robust to illumination changes and are based on thermal radiations. Recently, Generative Adversarial Networks (GANs) have been extensively used in image domain transfer tasks. State-of-the-art GAN models have attempted to improve vehicle detection accuracy in night-time by converting infrared images to day-time RGB images. However, these models have been found to under-perform during night-time conditions compared to day-time conditions. Therefore, this study attempts to alleviate this shortcoming by proposing three different approaches based on combination of GAN models at two different levels that tries to reduce the feature distribution gap between day-time and night-time infrared images. Quantitative analysis to compare the performance of the proposed models with the state-of-the-art models have been done by testing the models using state-of-the-art object detection models. Both the quantitative and qualitative analyses have shown that the proposed models outperform the state-of-the-art GAN models for vehicle detection in night-time conditions, showing the efficacy of the proposed models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google