在复杂的交通场景中,数字双胞胎辅助图匹配多任务对象检测方法在复杂的交通场景中

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 运输工程 运输工程

背景情况:

• 交通数据的收集和注释是耗时和劳动密集的.
• 当前的深度学习模型在实际交通应用中面临局限性.
• 虚拟和现实世界数据集之间存在分布差异.

研究的目的:

• 为交通场景提出使用数字双胞胎的跨域对象检测传输方法.
• 解决数据收集和模型限制在实际交通分析中的挑战.
• 提高物体检测在各种交通环境中的稳定性和适应性.

主要方法:

• 使用模拟平台构建了一个数字双胞胎流量场景,以生成虚拟流量数据集.
• 开发了一种多任务对象检测算法,利用图形匹配来对准源域和目标域之间的特征分布.
• 整合了注意力机制,例如细分和多级别的歧视器,用于对抗性培训,以增强代表性学习.

主要成果:

• 通过全面的比较实验证明了生成的虚拟数据集的实际价值.
• 验证了拟议的基于图形匹配的传输方法的有效性.
• 展示了数据集提高任务性能的能力,以及方法的稳定性和适应性.

结论:

• 数字双胞胎方法为生成大规模的注释交通数据集提供了可行的解决方案.
• 拟议的跨域传输方法在交通场景中显著提高了对象检测性能.
• 该方法在各种交通条件下表现出稳健性和适应性,突出其实际适用性.