[論文レビュー] Salient Sign Detection In Safe Autonomous Driving: AI Which Reasons Over Full Visual Context

Ross Greer, Akshay Gopalkrishnan+3 more|arXiv (Cornell University)|Jan 14, 2023

Safety Warnings and Signage被引用数 7

ひとこと要約

要約: 本論文は、運転者の意思決定に影響を与える標識を優先する、サリエンス認識を組み込んだ交通標識検出フレームワークを提案します。新しい LAVA Salient Signs Dataset と Salience-Sensitive Focal Loss を用いて Deformable DETR を訓練し、サリエント標識の recall を向上させます。

ABSTRACT

Detecting road traffic signs and accurately determining how they can affect the driver's future actions is a critical task for safe autonomous driving systems. However, various traffic signs in a driving scene have an unequal impact on the driver's decisions, making detecting the salient traffic signs a more important task. Our research addresses this issue, constructing a traffic sign detection model which emphasizes performance on salient signs, or signs that influence the decisions of a driver. We define a traffic sign salience property and use it to construct the LAVA Salient Signs Dataset, the first traffic sign dataset that includes an annotated salience property. Next, we use a custom salience loss function, Salience-Sensitive Focal Loss, to train a Deformable DETR object detection model in order to emphasize stronger performance on salient signs. Results show that a model trained with Salience-Sensitive Focal Loss outperforms a model trained without, with regards to recall of both salient signs and all signs combined. Further, the performance margin on salient signs compared to all signs is largest for the model trained with Salience-Sensitive Focal Loss.

研究の動機と目的

• 運転者の意思決定に意味のある標識に焦点を当て、安全な自動運転を動機付ける。
• 交通標識のサリエンス特性を定義し、サリエンスラベルで注釈されたデータセット（LAVA Salient Signs Dataset）を構築する。
• モデル訓練時にサリエンス標識を強調する損失関数を開発し、実用的な検出を向上させる。

提案手法

• 運転シーンにおける交通標識のサリエンス特性を定義する。
• サリエンスラベルを注釈した LAVA Salient Signs Dataset を作成する。
• Salience-Sensitive Focal Loss を用いて Deformable DETR オブジェクト検出器を訓練し、サリエンス標識を強調する。
• サリエンス標識と全標識の recall 能力を評価する。

実験結果

リサーチクエスチョン

• RQ1 サリエンス認識損失は、非サリエンス標識の性能を犠牲にすることなく、サリエンス標識の検出 recall を改善できるか。
• RQ2 サリエンス認識フレームワークを通じて全体的な視覚的文脈を取り入れることは、安全な自動運転標識理解を改善するか。
• RQ3 Salience-Sensitive Focal Loss は標準損失と比較してサリエンス標識の検出においてどのように異なるか。
• RQ4 提案アプローチを用いた場合、サリエンス標識の recall と全標識の recall にどのような影響があるか。

主な発見

• Salience-Sensitive Focal Loss で訓練されたモデルは、非サリエンスのベースラインと比較してサリエンス標識および全標識の recall を改善する。
• サリエンス認識損失で訓練された場合、サリエンス標識と全標識の recall 枠組みの差が大きくなる。
• このアプローチは Deformable DETR 検出器を用いて、サリエンス推論のための全視覚文脈を活用する。