在交通场景中检测突出的物体通过TSOD10K数据集

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 智能运输系统 智能运输系统

背景情况:

• 传统的突出的物体检测 (SOD) 专注于视觉的独特性,这对于交通安全来说是不够的.
• 交通突出物体检测 (TSOD) 需要识别语义关键的对象,以引起驾驶员的注意,即使视觉对比度低.
• 现有的基准缺乏TSOD在多样化和具有挑战性的交通条件下所需的特异性.

研究的目的:

• 为交通突出物体检测建立一个大规模数据集 (TSOD10K).
• 开发一种基于Mamba的新型模型 (Tramba) 来实现准确的TSOD.
• 在智能运输系统中创建用于评估TSOD模型的基准.

主要方法:

• 收集并注释了第一个大规模的TSOD数据集,TSOD10K,包含各种交通场景和条件.
• 提出了基于Mamba的TSOD模型Tramba,该模型包含一个双频视觉状态空间模块,用于增强细节感知.
• 引入了Helix 2D-Selective-Scan (Helix-SS2D) 机制,以整合驾驶注意力先验并捕捉空间依赖.

主要成果:

• 与TSOD10K数据集上的25个现有的自然场景图像SOD模型相比,Tramba表现出更好的性能.
• 拟议的双频视觉状态空间模块有效地增强了对细节和全局结构的感知.
• 螺旋-SS2D机制通过结合驾驶注意事项成功强调了关键区域.

结论:

• 这项研究建立了一个基本的基准和模型,用于智能运输中的安全意识突出性分析.
• TSOD10K和Tramba为推进自动驾驶和辅助驾驶系统提供了至关重要的资源.
• 这项工作通过桥梁感知和上下文风险评估,重新定义了驾驶环境的突出性.