A Hierarchical Deep Architecture and Mini-Batch Selection Method For\n Joint Traffic Sign and Light Detection
Notice bibliographique
Résumé
Traffic light and sign detectors on autonomous cars are integral for road\nscene perception. The literature is abundant with deep learning networks that\ndetect either lights or signs, not both, which makes them unsuitable for\nreal-life deployment due to the limited graphics processing unit (GPU) memory\nand power available on embedded systems. The root cause of this issue is that\nno public dataset contains both traffic light and sign labels, which leads to\ndifficulties in developing a joint detection framework. We present a deep\nhierarchical architecture in conjunction with a mini-batch proposal selection\nmechanism that allows a network to detect both traffic lights and signs from\ntraining on separate traffic light and sign datasets. Our method solves the\noverlapping issue where instances from one dataset are not labelled in the\nother dataset. We are the first to present a network that performs joint\ndetection on traffic lights and signs. We measure our network on the\nTsinghua-Tencent 100K benchmark for traffic sign detection and the Bosch Small\nTraffic Lights benchmark for traffic light detection and show it outperforms\nthe existing Bosch Small Traffic light state-of-the-art method. We focus on\nautonomous car deployment and show our network is more suitable than others\nbecause of its low memory footprint and real-time image processing time.\nQualitative results can be viewed at https://youtu.be/_YmogPzBXOw\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».