Real-time Traffic Object Detection for Autonomous Driving

要約

最近のコンピュータービジョンの進歩により、自動運転は遅かれ早かれ現代社会の一部になると思われます。
しかし、対処すべき懸念事項は依然として数多くあります。
最新のコンピュータ ビジョン技術は優れたパフォーマンスを示していますが、リアルタイム アプリケーションの重要な側面である効率よりも精度を優先する傾向があります。
大きな物体検出モデルは通常、より高い計算能力を必要としますが、これはより高度なオンボード ハードウェアを使用することで実現されます。
自動運転の場合、これらの要件は燃料コストの増加につながり、最終的には走行距離の削減につながります。
さらに、計算量の要求にもかかわらず、既存の物体検出器はリアルタイムとは程遠いものです。
この研究では、多様な気象条件や夜間シーンを含む確立された自動運転ベンチマーク上で、以前に提案した高効率歩行者検知器 LSFM の堅牢性を評価します。
さらに、一般的な物体検出用の LSFM モデルを拡張し、交通シーンでのリアルタイムの物体検出を実現します。
交通物体検出データセットのパフォーマンス、低遅延、一般化可能性を評価します。
さらに、自動運転の文脈において物体検出システムで採用されている現在の重要業績評価指標の不適切性について議論し、リアルタイム要件を組み込んだより適切な代替案を提案します。

要約(オリジナル)

With recent advances in computer vision, it appears that autonomous driving will be part of modern society sooner rather than later. However, there are still a significant number of concerns to address. Although modern computer vision techniques demonstrate superior performance, they tend to prioritize accuracy over efficiency, which is a crucial aspect of real-time applications. Large object detection models typically require higher computational power, which is achieved by using more sophisticated onboard hardware. For autonomous driving, these requirements translate to increased fuel costs and, ultimately, a reduction in mileage. Further, despite their computational demands, the existing object detectors are far from being real-time. In this research, we assess the robustness of our previously proposed, highly efficient pedestrian detector LSFM on well-established autonomous driving benchmarks, including diverse weather conditions and nighttime scenes. Moreover, we extend our LSFM model for general object detection to achieve real-time object detection in traffic scenes. We evaluate its performance, low latency, and generalizability on traffic object detection datasets. Furthermore, we discuss the inadequacy of the current key performance indicator employed by object detection systems in the context of autonomous driving and propose a more suitable alternative that incorporates real-time requirements.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google