在夜间对其他道路使用者的检测有可能提高道路安全性。为此,人类直观地使用视觉提示,例如其他道路使用者发出的光锥和光反射,以便能够在早期阶段对即将来临的交通做出反应。通过计算机视觉方法,可以通过根据车辆大灯引起的发射光反射来预测车辆的外观来模仿这种行为。由于当前的对象检测算法主要是基于通过边界框注释的直接可见对象,因此在没有锋利边界的情况下对光反射的检测和注释是具有挑战性的。因此,发表了广泛的开源数据集PVDN(晚上的公积车辆检测),其中包括夜间的交通情况,并通过按键通过关键点进行了照明反射。在本文中,我们探讨了基于显着性方法的潜力,以根据PVDN数据集的视觉显着性和稀疏关键点注释来创建不同的对象表示。为此,我们通过考虑人类的稀疏关键点注释,将布尔地图显着性的一般思想扩展到上下文感知的方法。我们表明,这种方法允许对不同对象表示形式进行自动推导,例如二进制图或边界框,因此可以在不同的注释变体上训练检测模型,并且可以从不同的角度解决夜间彻底检测车辆的问题。因此,我们提供了进一步的强大工具和方法来研究在实际可见之前晚上检测车辆的问题。
translated by 谷歌翻译