Road Obstacle Detection based on Unknown Objectness Scores

要約

未知の交通障害物の検出は、安全な自動運転を確保するために不可欠です。
標準のオブジェクト検出方法では、事前定義されたカテゴリに含まれない未知のオブジェクトを識別できません。
これは、物体検出メソッドが、未知の物体の存在に対応するピクセルに背景ラベルを割り当てるようにトレーニングされているためです。
この問題に対処するために、ピクセル単位の異常検出アプローチが研究の注目を集めています。
不確実性の推定や再構成された画像からの知覚的な差異などの異常検出技術により、未知の物体のピクセルを分布外 (OoD) サンプルとして識別することが可能になります。
ただし、これらの方法は、運転シーンなど、未知の要素が多く複雑なコンポーネントを含む画像に適用すると、パフォーマンスが不安定になることがよくあります。
本研究の目的は、物体検出方式をピクセル単位の異常検出手法に組み込むことで、未知の物体を安定して検出する性能を実現することです。
この目標を達成するために、ピクセル単位の異常スコアとオブジェクトネス スコアを同時に提供するシグモイド ヘッドを備えたセマンティック セグメンテーション ネットワークを採用します。
私たちの実験結果は、物体スコアが検出パフォーマンスの向上に重要な役割を果たすことを示しています。
これらの結果に基づいて、これら 2 つのスコアを統合することによって新しい異常スコアを提案します。これを未知のオブジェクト性スコアと呼びます。
定量的評価により、提案された方法が、公開されているデータセットに適用された場合、最先端の方法よりも優れたパフォーマンスを発揮することが示されています。

要約(オリジナル)

The detection of unknown traffic obstacles is vital to ensure safe autonomous driving. The standard object-detection methods cannot identify unknown objects that are not included under predefined categories. This is because object-detection methods are trained to assign a background label to pixels corresponding to the presence of unknown objects. To address this problem, the pixel-wise anomaly-detection approach has attracted increased research attention. Anomaly-detection techniques, such as uncertainty estimation and perceptual difference from reconstructed images, make it possible to identify pixels of unknown objects as out-of-distribution (OoD) samples. However, when applied to images with many unknowns and complex components, such as driving scenes, these methods often exhibit unstable performance. The purpose of this study is to achieve stable performance for detecting unknown objects by incorporating the object-detection fashions into the pixel-wise anomaly detection methods. To achieve this goal, we adopt a semantic-segmentation network with a sigmoid head that simultaneously provides pixel-wise anomaly scores and objectness scores. Our experimental results show that the objectness scores play an important role in improving the detection performance. Based on these results, we propose a novel anomaly score by integrating these two scores, which we term as unknown objectness score. Quantitative evaluations show that the proposed method outperforms state-of-the-art methods when applied to the publicly available datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google