DisPlacing Objects: Improving Dynamic Vehicle Detection via Visual Place Recognition under Adverse Conditions

要約

自分のいる場所を知ることは、特に悪天候や照明条件下で、周囲の物体を認識するのに役立ちますか?
この研究では、3D マップやピクセルレベルのマップクエリの対応を必要とせずに、シーン内の動的オブジェクトの検出を支援するために以前のマップを利用できるかどうかを調査します。
私たちは、候補物体検出の初期セットを改良し、以前のマップを使用して高精度の検出の改良されたサブセットを生成するアルゴリズムに貢献します。
まず、視覚的場所認識 (VPR) を使用して特定のクエリ画像の参照マップ画像を取得し、次に二値分類ニューラル ネットワークを使用してクエリとマッピング画像領域を比較し、クエリの検出を検証します。
約 1000 個のクエリマップ画像ペアで分類ネットワークがトレーニングされると、既存の市販の車両検出器と組み合わせることで車両検出のパフォーマンスを向上させることができます。
マップとクエリのトラバース ペアのトレーニングとテストの分離という異なる設定の下で、2 つの都市 (オックスフォードとチューリッヒ) にわたる標準データセットを使用したアプローチを示します。
さらに、代替の設計選択に対するアプローチのパフォーマンス向上を強調し、VPR がこのタスクには十分であり、正確なグラウンド トゥルース位置特定の必要性を排除することを示します。

要約(オリジナル)

Can knowing where you are assist in perceiving objects in your surroundings, especially under adverse weather and lighting conditions? In this work we investigate whether a prior map can be leveraged to aid in the detection of dynamic objects in a scene without the need for a 3D map or pixel-level map-query correspondences. We contribute an algorithm which refines an initial set of candidate object detections and produces a refined subset of highly accurate detections using a prior map. We begin by using visual place recognition (VPR) to retrieve a reference map image for a given query image, then use a binary classification neural network that compares the query and mapping image regions to validate the query detection. Once our classification network is trained, on approximately 1000 query-map image pairs, it is able to improve the performance of vehicle detection when combined with an existing off-the-shelf vehicle detector. We demonstrate our approach using standard datasets across two cities (Oxford and Zurich) under different settings of train-test separation of map-query traverse pairs. We further emphasize the performance gains of our approach against alternative design choices and show that VPR suffices for the task, eliminating the need for precise ground truth localization.

arxiv情報

著者 Stephen Hausler,Sourav Garg,Punarjay Chakravarty,Shubham Shrivastava,Ankit Vora,Michael Milford
発行日 2023-06-30 10:46:51+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO パーマリンク