对自动驾驶汽车在各种照明条件下对物体检测数据选择的研究
Hao Lin1,2, Ashkan Parsi1,2, Darragh Mullins1,2
1School of Engineering, University of Galway, University Road, H91 TK33 Galway, Ireland.
Journal of imaging
|July 26, 2024
概括
这项研究表明,将训练数据与不同的照明条件进行平衡,可以改善自动驾驶汽车对象检测. 添加黄昏和黎明图像可以提高白天和夜晚场景的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 汽车工程 汽车工程
背景情况:
- 先进的驾驶辅助系统 (ADAS) 和自动驾驶汽车技术正在迅速发展.
- 自动对象检测对于自动驾驶至关重要,但在低光条件下很难实现.
- 在弱光下对象的可见性差,会显著影响检测算法的性能.
研究的目的:
- 调查训练数据的组成如何影响在低光条件下对象检测性能.
- 评估各种户外场景照明 (白天时间) 对深度神经网络性能的影响.
- 识别用于训练神经网络进行强大的物体检测的挑战.
主要方法:
- 实验使用一个流行的公共数据库和常见的对象检测架构进行.
- 这项研究分析了在一天中不同时间拍摄的户外图像的不同组合的影响.
- 根据训练数据的组成,深度神经网络被训练和评估.
主要成果:
- 在训练数据中,对象类和照明水平的适当平衡会导致更强大的性能.
- 包括来自黄昏和黎明条件的图像显著改善了对象检测.
- 在白天和夜晚低光场景中都观察到性能增长.
结论:
- 训练数据的组成是实现自动驾驶汽车可靠物体检测的关键因素.
- 战略性地纳入各种照明条件,特别是黄昏,提高了算法的稳定性.
- 对低光条件的数据增强的进一步研究是有必要的.


