【自动驾驶专栏论文速递】自动驾驶鱼眼相机上的广义目标检测

• ​论文链接：​​https://arxiv.org/pdf/2012.02124.pdf​​
• 视频链接：https://youtu.be/iLkOzvJpL-A

摘要

本文介绍了自动驾驶中鱼眼相机上的广义目标检测。目标检测是自动驾驶中一个综合研究的问题。然而，在鱼眼相机的情况下，针对目标检测的探索研究较少。由于鱼眼相机存在严重的径向畸变（特别是在图像的边缘），因此标准的边界框会失效。在本工作中，我们探索用于鱼眼相机中目标检测的更好表示，如旋转边界框（oriented bounding box）、椭圆（ellipse）和通用多边形（generic polygon）。我们使用IoU度量，通过精确的实例分割真值来比较这些表示。本文设计了一种新型的曲线边界框模型，它针对鱼眼畸变模型具有最优的性质。本文还设计一种曲率自适应边缘采样方法，用于获取多边形顶点，与均匀采样方法相比，其相对mAP得分提高了4.9%。总体而言，本文所提出的多边形模型将mIoU相对精度提高了40.3%。据我们所知，这是首次对自动驾驶场景中鱼眼相机上目标检测进行详细研究。

主要贡献

1）探索用于鱼眼相机目标检测的七种不同目标表示；

2）鱼眼图像的新型表示设计，包括曲线边界框和自适应步长多边形；

3）公开发布10000张图像的数据集，其包含所有物体表示的标注；

4）FisheyeYOLO基准的实现和实证研究，其可以输出不同的表示。

论文图片和表格

总结

在本文中，我们研究鱼眼相机目标检测的不同表示。在高级别上，我们可以将它分为边界框扩展和通用的多边形表示。我们探索旋转边界框、椭圆，并且设计一种具有最优鱼眼畸变性质的曲线边界框。本文提出一种曲率自适应采样方法用于多边形表示，该方法比均匀采样方法具有显著提高。总体而言，本文所提出的模型相比于YOLOv3基准，将相对mIoU精度显著提高了40%。我们认为本文方法是对这一领域更深入研究的基准。我们将公开具有各种表示标注的数据集。我们希望这能激励这一领域更深入的研究，从而在原始鱼眼图像上实现成熟的目标检测。

文章转载自公众号：自动驾驶专栏