Fusing Pseudo Labels with Weak Supervision for Dynamic Traffic Scenarios

要約

先進運転支援システム (ADAS) は、コンピューター ビジョンを活用して認識能力と意思決定能力を強化し、大幅な進歩を遂げました。
それにもかかわらず、これらのシステムを多様な交通シナリオに適応させるには、場所、天候、道路インフラなどの要因に起因するデータ配信の変化により課題が生じます。
これに取り組むために、異種データセットでトレーニングされた多数の物体検出モデルからの擬似ラベルを統合する、弱教師ラベル統合パイプラインを導入します。
私たちのパイプラインは、異種のデータセットからのラベルを統合することで統一されたラベル空間を生成し、バイアスを修正し、一般化を強化します。
個々のデータセットで複数の物体検出モデルを微調整し、その後、精度が綿密に検証された擬似ラベルを備えた統合データセットを作成します。
これに続いて、マージされたラベル空間を使用して孤立物体検出モデルを再トレーニングし、動的交通シナリオに精通した復元力のあるモデルが完成します。
私たちは、アジアのさまざまな国から得られた多様なデータセットを使用して、アプローチの包括的な評価を行い、困難な道路状況におけるその有効性を効果的に実証しました。
特に、私たちの方法では物体検出パフォーマンスが大幅に向上し、ドメインシフトに対する耐性が強化されたモデルが完成します。

要約(オリジナル)

Advanced Driver Assistance Systems (ADAS) have made significant strides, capitalizing on computer vision to enhance perception and decision-making capabilities. Nonetheless, the adaptation of these systems to diverse traffic scenarios poses challenges due to shifts in data distribution stemming from factors such as location, weather, and road infrastructure. To tackle this, we introduce a weakly-supervised label unification pipeline that amalgamates pseudo labels from a multitude of object detection models trained on heterogeneous datasets. Our pipeline engenders a unified label space through the amalgamation of labels from disparate datasets, rectifying bias and enhancing generalization. We fine-tune multiple object detection models on individual datasets, subsequently crafting a unified dataset featuring pseudo labels, meticulously validated for precision. Following this, we retrain a solitary object detection model using the merged label space, culminating in a resilient model proficient in dynamic traffic scenarios. We put forth a comprehensive evaluation of our approach, employing diverse datasets originating from varied Asian countries, effectively demonstrating its efficacy in challenging road conditions. Notably, our method yields substantial enhancements in object detection performance, culminating in a model with heightened resistance against domain shifts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google