悪天候で車両を検出するためのYoloxのパフォーマンスの分析

コンピュータービジョンテクノロジーの最近の進歩、センサーの開発とセンサー収集アプローチ、および深い転送学習アプローチの使用は、自律車の開発において優れています。路上車両の検出は、特に過去数年間の自律車両に関する研究の増加により、特に重要なタスクとなっています。ハイエンドのコンピューティングリソースを使用すると、最近の路上車両検出のために多数の深い学習モデルが訓練およびテストされています。特に、夜間、雪、砂、雨、霧の状態などの光や気象条件のために、車両の検出は困難なプロセスになる可能性があります。さらに、車両の検出はリアルタイムで動作するのに十分な速さでなければなりません。この研究では、雨、霧、雪、砂嵐などの悪天候の車両を検出するために、最近のヨロ版Yoloxの使用を調査しています。このモデルは、4つの悪天候、異なる照明、背景、およびフレーム内の車両の数を含む画像を含む公開されているベンチマークデータセットドーンでテストされています。モデルの有効性は、精度、リコール、およびマップの観点から評価されます。結果は、Yolox-MおよびYolox-LバリアントよりもYolox-Sのより良いパフォーマンスを示しています。Yolox-Sには、雪と砂幹のそれぞれ0.8983および0.8656マップがありますが、雨と霧のマップはそれぞれ0.9509と0.9524です。モデルのパフォーマンスは、雨の天候よりも雪や霧のような天気に適しています。さらなる実験では、マルチスケールRetinexを使用して画質を向上させるとYoloxのパフォーマンスが向上することが示されています。

Recent advancements in computer vision technology, developments in sensors and sensor-collecting approaches, and the use of deep and transfer learning approaches have excelled in the development of autonomous vehicles. On-road vehicle detection has become a task of significant importance, especially due to exponentially increasing research on autonomous vehicles during the past few years. With high-end computing resources, a large number of deep learning models have been trained and tested for on-road vehicle detection recently. Vehicle detection may become a challenging process especially due to varying light and weather conditions like night, snow, sand, rain, foggy conditions, etc. In addition, vehicle detection should be fast enough to work in real time. This study investigates the use of the recent YOLO version, YOLOx, to detect vehicles in bad weather conditions including rain, fog, snow, and sandstorms. The model is tested on the publicly available benchmark dataset DAWN containing images containing four bad weather conditions, different illuminations, background, and number of vehicles in a frame. The efficacy of the model is evaluated in terms of precision, recall, and mAP. The results exhibit the better performance of YOLOx-s over YOLOx-m and YOLOx-l variants. YOLOx-s has 0.8983 and 0.8656 mAP for snow and sandstorms, respectively, while its mAP for rain and fog is 0.9509 and 0.9524, respectively. The performance of models is better for snow and foggy weather than rainy weather sandstorms. Further experiments indicate that enhancing image quality using multiscale retinex improves YOLOx performance.