LaB-CL: Localized and Balanced Contrastive Learning for improving parking slot detection

要約

駐車スロット検出は、自動駐車システムに不可欠な技術です。
一般に、駐車枠検出の分類問題は、局所的な候補が駐車枠の交差点であるかどうかを判断するタスクと、検出された交差点の形状を識別するタスクの 2 つのタスクで構成されます。
どちらの分類タスクも、多数派のクラスに向けて学習が偏りやすく、分類パフォーマンスが低下する可能性があります。
しかし、駐車スロットの検出では、データの不均衡の問題が見落とされてきました。
我々は、駐車スロット検出のための最初の教師あり対照学習フレームワーク、駐車スロット検出を改善するための局所的かつバランスのとれた対照学習（LaB-CL）を提案します。
提案された LaB-CL フレームワークでは、2 つの主要なアプローチが使用されます。
まず、ローカルの観点から、すべてのミニバッチ内のすべてのクラスの表現を考慮するために、クラス プロトタイプを含めることを提案します。
第 2 に、予測誤差の高い局所表現を選択する新しいハード ネガティブ サンプリング スキームを提案します。
ベンチマーク データセットを使用した実験により、提案された LaB-CL フレームワークが既存の駐車スロット検出方法よりも優れたパフォーマンスを発揮できることが実証されました。

要約(オリジナル)

Parking slot detection is an essential technology in autonomous parking systems. In general, the classification problem of parking slot detection consists of two tasks, a task determining whether localized candidates are junctions of parking slots or not, and the other that identifies a shape of detected junctions. Both classification tasks can easily face biased learning toward the majority class, degrading classification performances. Yet, the data imbalance issue has been overlooked in parking slot detection. We propose the first supervised contrastive learning framework for parking slot detection, Localized and Balanced Contrastive Learning for improving parking slot detection (LaB-CL). The proposed LaB-CL framework uses two main approaches. First, we propose to include class prototypes to consider representations from all classes in every mini batch, from the local perspective. Second, we propose a new hard negative sampling scheme that selects local representations with high prediction error. Experiments with the benchmark dataset demonstrate that the proposed LaB-CL framework can outperform existing parking slot detection methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google