江苏龙网

  1. 首页 > 人文 > >

深兰科技|获雾天条件目标检测挑战赛冠军，CVPR2020|深兰科技挑战复杂场景


深兰科技|获雾天条件目标检测挑战赛冠军，CVPR2020|深兰科技挑战复杂场景
文章图片
在6月刚结束的国际计算机视觉顶会CVPR2020上 ， 深兰科技DeepBlueAI团队大放异彩 ， 获得了四冠四亚四季的不俗成绩 。 冠军团队表示：由于之前数据集多数在可视条件好且图片清晰的情况下展开 ， 因此真实场景下情况各异的复杂场景 ， 将是今后主要面对的问题和研究方向 。 这在此次CVPR上也得到了相应的验证 。
在日常城市监控中 ， 即使是政府采用的商业化摄像机在恶劣的天气条件下也显得脆弱 ， 因此迫切需要研究在何种程度上可以应对这种具有挑战性的视觉条件 ， UG2+挑战赛恰好就针对了这类问题 。
深兰科技夺冠的“挑战赛雾天条件下的(半)监督目标检测任务” ， 其方案不仅可在恶劣天气环境或光照条件较差的情况下进行监控 ， 还可用于智能熊猫公交车、扫路机的安全监控、室外环境感知、辅助驾驶等 ， 为城市管理添加了一双“AI眼” 。
01UG2+介绍
在许多新兴的AI应用领域 ， 如无人机、自动/辅助驾驶、搜索和救援机器人、环境监测、安全监视、运输和检查 ， 都依赖于计算机视觉的室外环境感知与理解 。 这类系统涉及任务比较广泛 ， 对于目标任务 ， 包含检测、识别、分割、跟踪和解析 。
虽然这些任务在固定的环境和条件下取得了一定的成果 ， 但是如果在没有条件限制的环境中(如移动平台、恶劣天气、光照条件差等) ， 视觉感知和理解算法的性能将受到很大的影响 ， 因此主办方根据不同的环境条件 ， 举办了相应的挑战赛 。
UG2+PrizeChallenge是CVPR会议下的一个Workshop ， 继第一届(CVPR’18)和第二届(CVPR’19)的成功举办 ， 主办方在CVPR2020开展了第三届UG2+PrizeChallenge ， 该挑战赛包含以下两个赛道：
1.TrackIObjectDetectionInPoorVisibilityEnvironments
2.TrackIIFlatcamForFaces:Enhancement,Reconstruction,AndVerification
其中赛道1又分为三个子任务：
1.(Semi-)SupervisedObjectDetectioninHazeConditions
2.(Semi-)SupervisedFaceDetectioninLowLightConditions
3.SeaLifeDetectionintheUnderwaterCondition
02赛题介绍
深兰科技|获雾天条件目标检测挑战赛冠军，CVPR2020|深兰科技挑战复杂场景
文章图片
Sub-Track1：(Semi-)SupervisedObjectDetectioninHazeConditions主办方提供了一组交通监控中采集的雾天图像 ， 总计4332张图片 ， 并将图中的汽车、巴士、自行车、摩托车、行人这几个类别进行了标注 ， 总计41113个标注框 。
评测指标：类似于MSCOCO数据集的评估方案 ， 评测将使用APIOU=0.50进行评估 。
深兰科技|获雾天条件目标检测挑战赛冠军，CVPR2020|深兰科技挑战复杂场景
文章图片
03赛题特点&主要工作
在这次挑战赛中 ， 主要的难点包含以下几个方面：
1.可视条件差、图像模糊
可视条件差是这个赛道核心问题 ， 雾天收集的数据特点就是能见度低 ， 图像模糊 ， 远处的物体不容易被检测与识别 ， 容易造成大量的目标漏检、误检 ， 从而导致mAP效果下降 。
2.图片数量少 ， 数据分布不平衡
总共只有4000多张带标注的图片 ， 增加了训练难度 ， 再加上数据分布的不均衡 ， 很难划分一个具有代表性的验证集 ， 很可能导致模型不具有泛化能力 ， 在新的测试集上表现会不如预期 。
深兰科技|获雾天条件目标检测挑战赛冠军，CVPR2020|深兰科技挑战复杂场景
文章图片
检测器
我们先通过常规检测所累积的经验构造出一个baseline：
Baseline=Backbone+DCN[1]+FPN[2]+CascadeRCNN[3]
这套pipeline ， 也是去年冠军团队所使用的方法 ， 在这里我们沿用这套算法 ， 以此为基础进行改进 。


推荐阅读


上一篇：陨石：印度天空传来一阵巨响，掉下一块不明金属，科学家捏了把冷汗

下一篇：可爱的小冉|传统家族企业：伏能士庆祝其成立七十五周年