Urban Object Detection

近年来，我们看到使用基于深度学习的对象检测器的应用程序数量大幅增长。自动驾驶辅助系统 (ADAS) 是影响最大的领域之一。这项工作提出了一项新颖的研究，评估了用于城市物体检测和定位的最新技术。特别是，我们调查了更快的r-cnn方法在各种户外城市视频中检测和定位城市物体的性能，这些视频涉及在场景中移动的行人、汽车、自行车和其他物体 (城市驾驶)。我们提出了一个新的数据集，用于对实时对象检测器 (更快的r-cnn) 的准确性进行基准测试。部分数据是使用安装在车辆上的高清摄像机收集的。此外，某些数据的注释较弱，因此可以用于测试弱监督学习技术。已经存在城市对象数据集，但是它们都不包括所有基本的城市对象。我们进行了广泛的实验，证明了基线方法的有效性。此外，我们提出了一种r-cnn plus跟踪技术，以加速实时城市物体检测的过程。