通过合成数据生成检测穿着建筑工作服的人类交通管制员

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 机器人技术 机器人技术 机器人技术

背景情况:

• 自动驾驶汽车需要强大的感知系统来在非结构化环境中进行导航.
• 检测人力交通控制器对于3+级自主性至关重要,尤其是在没有交通信号的情况下,例如在建筑工地.
• 现有的数据集缺乏足够的多样性来培养可靠的人类交通管制员检测模型.

研究的目的:

• 开发一种有效的方法,在具有挑战性的场景中检测人类交通控制器.
• 通过生成多样化的合成训练数据来解决当前数据集的局限性.
• 提高自动驾驶系统在建筑区的性能.

主要方法:

• 利用扩散模型生成人类交通管制员的合成图像.
• 实施了一种颜色增强技术,以增加图像多样性.
• 采用剪贴机制将合成图像整合到现实的道路场景中.
• 训练了一个YOLOv7物体检测模型,使用了19,840个合成图像和600个现实图像的综合数据集.

主要成果:

• 经过训练的YOLOv7模型获得了73.9%的AP50得分.
• 这比基线业绩有32.9%的显著改善.
• 包含合成和真实图像的HTC600数据集已公开提供.

结论:

• 拟议的方法有效地提高了使用合成数据检测人类交通控制器的性能.
• 这一进步有助于为复杂环境开发更可靠的自动驾驶系统.
• 公开使用的HTC600数据集将促进对自动驾驶感知的进一步研究.