Un nuevo marco de detección de objetos few-shot para conducción multiescénica basado en codificación de propuestas contrastivas | JoVE Visualize

Área de la Ciencia:

Visión por Computadora
Aprendizaje Automático
Sistemas de Conducción Autónoma

Sus antecedentes:

La detección de objetos few-shot es crucial para los sistemas autónomos, pero tiene dificultades con las variaciones de datos entre escenarios y los ejemplos de entrenamiento limitados.
Los métodos existentes a menudo no logran generalizar en diferentes condiciones de conducción (por ejemplo, noche frente a día).

Objetivo del estudio:

Desarrollar un algoritmo robusto de detección de objetos few-shot para entornos de conducción multiescénica.
Abordar los desafíos de la heterogeneidad entre escenarios y el sobreajuste en regímenes de pocos datos.
Mejorar la generalización y la precisión en diversas condiciones de conducción.

Principales métodos:

Se propuso un algoritmo de detección de objetos few-shot basado en FSCE, adaptado para la conducción multiescénica.
Se integró un módulo de características multiescala para una representación de características mejorada, combinando información local y contextual.
Se reemplazó el clasificador Softmax tradicional con un clasificador Softmax de coseno, empleando normalización L2 y restricciones de margen angular para reducir la varianza intra-clase.

Principales resultados:

Logró una generalización y precisión superiores en comparación con los métodos existentes en los conjuntos de datos FLIR y BDD100K.
Demostró eficacia tanto en escenarios de conducción nocturna infrarroja como diurna con luz visible, una aplicación novedosa para la detección few-shot.
Abordó con éxito la heterogeneidad entre escenarios y el sobreajuste en regímenes de pocos datos.

Conclusiones:

El algoritmo propuesto de detección de objetos few-shot ofrece un avance significativo para los sistemas de conducción autónoma que operan en condiciones variadas.
El método proporciona una solución robusta para manejar la escasez de datos y los cambios de dominio en escenarios de conducción del mundo real.
La investigación futura se centrará en optimizar la complejidad del modelo sin comprometer el rendimiento.