CCSPNet-Joint: Efficient Joint Training Method for Traffic Sihn Detection Under Extreme Conditions

要約

交通標識の検出は、インテリジェント運転における重要な研究方向です。
残念ながら、既存の方法では、霧、雨、モーション ブラーなどの極端な状況が見落とされることがよくあります。
さらに、画像ノイズ除去および物体検出モデルのエンドツーエンドのトレーニング戦略では、モデル間の情報を効果的に利用できません。
これらの問題に対処するために、私たちは、トランスフォーマーと CNN に基づく効率的な特徴抽出モジュールである CCSPNet を提案します。これは、コンテキスト情報を効果的に活用し、より高速な推論速度を実現し、より強力な特徴拡張機能を提供します。
さらに、物体検出と画像ノイズ除去タスク間の相関関係を確立し、データ効率と一般化を向上させるための共同トレーニング モデル CCSPNet-Joint を提案します。
最後に、アプローチを検証するために、極端なシナリオで交通標識を検出するための CCTSDB-AUG データセットを作成します。
広範な実験により、CCSPNet が極端な条件下で交通標識検出において最先端のパフォーマンスを達成することが示されました。
エンドツーエンドの方法と比較して、CCSPNet-Joint は精度で 5.32% の向上、mAP@.5 で 18.09% の向上を達成します。

要約(オリジナル)

Traffic sign detection is an important research direction in intelligent driving. Unfortunately, existing methods often overlook extreme conditions such as fog, rain, and motion blur. Moreover, the end-to-end training strategy for image denoising and object detection models fails to utilize inter-model information effectively. To address these issues, we propose CCSPNet, an efficient feature extraction module based on Transformers and CNNs, which effectively leverages contextual information, achieves faster inference speed and provides stronger feature enhancement capabilities. Furthermore, we establish the correlation between object detection and image denoising tasks and propose a joint training model, CCSPNet-Joint, to improve data efficiency and generalization. Finally, to validate our approach, we create the CCTSDB-AUG dataset for traffic sign detection in extreme scenarios. Extensive experiments have shown that CCSPNet achieves state-of-the-art performance in traffic sign detection under extreme conditions. Compared to end-to-end methods, CCSPNet-Joint achieves a 5.32% improvement in precision and an 18.09% improvement in mAP@.5.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google