AGSENet: A Robust Road Ponding Detection Method for Proactive Traffic Safety

要約

蔓延する交通の危険である道路の池水は、車両のコントロールを失い、軽いフェンダーの曲がりから重大な衝突に至るまで、さまざまな事故を引き起こすため、交通の安全に重大な脅威をもたらします。
既存の技術では、道路の複雑なテクスチャや反射特性の影響を受ける池の色が変化するため、道路の池を正確に識別するのが困難です。
この課題に対処するために、私たちは、プロアクティブな道路の池の検出と交通安全の改善のための、Self-Attendance-based Global Saliency-Enhanced Network (AGSENet) と呼ばれる新しいアプローチを提案します。
AGSENet には、Channel Saliency Information Focus (CSIF) モジュールおよび Spatial Saliency Information Enhancement (SSIE) モジュールを介した顕著性検出技術が組み込まれています。
エンコーダに統合された CSIF モジュールは、セルフ アテンションを使用して、空間情報とチャネル情報を融合することで同様の特徴を強調表示します。
デコーダに組み込まれた SSIE モジュールは、さまざまな特徴レベル間の相関を活用することでエッジ特徴を洗練し、ノイズを低減します。
正確で信頼性の高い評価を保証するために、Puddle-1000 データセット内の重大なラベルの誤りと注釈の欠落を修正しました。
さらに、低照度および霧の多い状況での道路の池を検出するために、それぞれ霧の水たまりデータセットと夜間水たまりデータセットを構築しました。
実験結果は、AGSENet が既存の手法より優れたパフォーマンスを示し、Puddle-1000、Foggy-Puddle、および Night-Puddle データセットでそれぞれ 2.03\%、0.62\%、および 1.06\% の IoU 向上を達成し、新しい状態を設定したことを示しています。
この分野の芸術。
最後に、エッジ コンピューティング デバイスでのアルゴリズムの信頼性を検証しました。
この研究は、道路交通安全における事前警告研究に貴重な参考資料を提供します。

要約(オリジナル)

Road ponding, a prevalent traffic hazard, poses a serious threat to road safety by causing vehicles to lose control and leading to accidents ranging from minor fender benders to severe collisions. Existing technologies struggle to accurately identify road ponding due to complex road textures and variable ponding coloration influenced by reflection characteristics. To address this challenge, we propose a novel approach called Self-Attention-based Global Saliency-Enhanced Network (AGSENet) for proactive road ponding detection and traffic safety improvement. AGSENet incorporates saliency detection techniques through the Channel Saliency Information Focus (CSIF) and Spatial Saliency Information Enhancement (SSIE) modules. The CSIF module, integrated into the encoder, employs self-attention to highlight similar features by fusing spatial and channel information. The SSIE module, embedded in the decoder, refines edge features and reduces noise by leveraging correlations across different feature levels. To ensure accurate and reliable evaluation, we corrected significant mislabeling and missing annotations in the Puddle-1000 dataset. Additionally, we constructed the Foggy-Puddle and Night-Puddle datasets for road ponding detection in low-light and foggy conditions, respectively. Experimental results demonstrate that AGSENet outperforms existing methods, achieving IoU improvements of 2.03\%, 0.62\%, and 1.06\% on the Puddle-1000, Foggy-Puddle, and Night-Puddle datasets, respectively, setting a new state-of-the-art in this field. Finally, we verified the algorithm’s reliability on edge computing devices. This work provides a valuable reference for proactive warning research in road traffic safety.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google