The Impact of Different Backbone Architecture on Autonomous Vehicle Dataset

要約

物体検出は自動運転の重要な要素であり、このタスクに対処するために多くの検出アプリケーションが開発されています。
これらのアプリケーションは多くの場合、入力から表現特徴を抽出してオブジェクト検出タスクを実行するバックボーン アーキテクチャに依存します。
バックボーン アーキテクチャによって抽出された特徴の品質は、全体的な検出パフォーマンスに大きな影響を与える可能性があります。
多くの研究者は、物体検出アプリケーションの効率と精度を高めるために、新しく改良されたバックボーン アーキテクチャの開発に焦点を当ててきました。
これらのバックボーン アーキテクチャは、MS-COCO や PASCAL-VOC などの汎用物体検出データセットで最先端のパフォーマンスを示していますが、自動運転環境下でのパフォーマンスの評価はこれまで検討されていませんでした。
これに対処するために、私たちの研究では、KITTI、NuScenes、BDD という 3 つのよく知られた自動運転車データセットを評価し、物体検出タスクにおけるさまざまなバックボーン アーキテクチャのパフォーマンスを比較しました。

要約(オリジナル)

Object detection is a crucial component of autonomous driving, and many detection applications have been developed to address this task. These applications often rely on backbone architectures, which extract representation features from inputs to perform the object detection task. The quality of the features extracted by the backbone architecture can have a significant impact on the overall detection performance. Many researchers have focused on developing new and improved backbone architectures to enhance the efficiency and accuracy of object detection applications. While these backbone architectures have shown state-of-the-art performance on generic object detection datasets like MS-COCO and PASCAL-VOC, evaluating their performance under an autonomous driving environment has not been previously explored. To address this, our study evaluates three well-known autonomous vehicle datasets, namely KITTI, NuScenes, and BDD, to compare the performance of different backbone architectures on object detection tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google