检测稀有物体(例如,交通锥,交通桶和交通警告三角形)是提高自动驾驶安全性的重要感知任务。对此类模型的培训通常需要大量的注释数据,这些数据既昂贵又耗时。为了解决上述问题,新兴的方法是应用数据扩展以自动生成无成本的培训样本。在这项工作中,我们提出了一项有关简单复制数据增强的系统研究,以实现自动驾驶中罕见的对象检测。具体而言,引入了本地自适应实例级图像转换,以生成从源域到目标域的逼真的稀有对象掩模。此外,流量场景上下文被用来指导稀有物体的口罩的放置。为此,我们的数据增强通过利用本地和全球一致性来生成具有高质量和现实特征的培训数据。此外,我们构建了一个新的数据集,稀有对象数据集(ROD),组成10K培训图像,4K验证图像和相应的标签,这些标签具有不同的自动驾驶方案。 ROD上的实验表明,我们的方法在稀有物体检测方面取得了有希望的结果。我们还提出了一项详尽的研究,以说明基于局部自适应和全球限制因素的副本数据增强的有效性,以实现稀有对象检测。数据,开发套件和ROD的更多信息可在线获得:\ url {https://nullmax-vision.github.io}。
translated by 谷歌翻译