Avantajele recunoasteri obiectelor din magini folosit sistem radar in conditi neprielnice de mediu - Brainstormers v 2

 

Avantajele recunoasteri obiectelor din magini folosit sistem radar in conditi neprielnice de mediu

                                           Analiza realizata de Gherghinescu Mihai Andrei

 

Recunoasterea de imagini se realizeaza majoritar prin intermediul camerelor sau folosind LiDAR(Light Detection and Rangening), metoda ce se bazeaza pe raze laser pentru a masura distanta si a crea reprezentari 3D ale obiectelor si ale mediului. Problema este ca majoritatea abordarilor se bazeaza pe conditi prielnice de mediu, avand erori majore in conditii de ploaie, ceata, ninsoare etc.

Comparatie detectie obiecte imagini video, laser si radio in diferite conditii meto

In prima linie de imagini sunt prezente imagini generate cu ajutorul punctelor proiecatate prin intermediul LiDAR, cea de doua reprezinta imaginile radio, iar ultima o combinatie a imaginilor LiDAR si a imaginilor radio, prin poriectarea punctelor obiectelor detectate .  Din cate se poate observa, in conditi de mediu neprielnice, imaginile de pe prima si ultima coloanal devin alterate, ducand la o detectie de obiecte proasta. Pe de alta parte imaginile radio au o mai buna claritate si pastreaza semnificativ destul de multe detalii pentru o eventual detectie.

Pentru a remedia problema prezentata mai sus s-a incercat conceperea unui set de date bazat pe imagini radio pe nume RADIATE(Radar Dataset In Adverse Weather). De asemenea acest dataset contine date LiDAR GPS si imagini stereo si 8 tipuri de obiecte etichetate: masini, furgonete, motociclete campion, biticiclete pietoni si grupuri de pietoni. 

Comparatie intre dataseturile cele mai folosite si RADIATE

Majoritatea tehnologiilor radio folosesc tehnici MIMO(Multiple Input Multiple Output) care folosesc multiple transmitatoare si recievere pentru a masura DOA(direction of arrival). Chiar daca aceasta tehnica este relative necostisitoare duce lipsa de rezoluție azimutală (capacitatea de a distinge doua obiecte care sunt aflat in acelasi cadru , dar cu unghiuri azimutale diferite), astfel imaginile produse de catre radio ar avea prea putine detail pentru a fi folosite pentru detectie de obiecte. Insa, a fost dezvoltat un nou sistem ce se foloseste de o antenna in miscare, ce produce, in mare, o resolutie azimutala inbunatatita, satisfacatoare pentru a detecta obiecte. Dat faptul ca s-au folosit imagini radio, pentru partea de etichetare a obiectelor a fost nevoie de crearea unui nou sistem de anotare, folosind chenare 2D, rezprentate prin ox, oy, latime inaltime si unghi.

Pentru a crea datesetul au fost captate date in 8 scenarii diferite de vreme, iar ca si model de baza a fost folosit o alteratie a Faster R-CNN care are predefinite dimensiuni pt generare deoarece dimensiunea vehiculelor in imagini radar este cunoscuta si cu adaptarea mentionata mai sus de etichetare de obiectelor.  Setul de date a fost antrenat atat in conditi de vreme buna cat si in conditie de vreme bune si neprielnice, obtinand un AP de 0.5. Diferenta dintre training-ul in conditi bune de mediu si conditi bune si nefavorabile este insimnificativa, astfel demostrand eficienta setului de date in conditi rele de mediu.

Tabel PA fata de conditi de medeo si training set folosit

La o mai buna analiza a datelor putem observa ca in conditi bune de meteo pe timp de zi sa de noapte s-a optinut un ap de la 40% la 80%. Din nefericire, in conditi de zapada sau ploaie, acuratetea este insa scazuta, cu valori mici intre 33% si 5%. Insa, in conditii de ceata, setul de date a performat foarte bine, cu o acuratete de aproximativ 50%, deci detectia pe baza de imagini radio a dovedit a fi o alternativa mai buna de a detecta obiecte.

 

Link_lucrare:https://ieeexplore.ieee.org/abstract/document/9562089?casa_token=-vo_VNHv0hIAAAAA:uYv5nrdlAotX_zVtp68FUunalQQWiPCEPmt1SuM_mdzxYeSoENBQ27FGMzeqd4wzx-jv6VLRRt1pPA