最新綜述 | 復(fù)雜環(huán)境中的計算機視覺問題介紹及解決?。?）

來源｜自動駕駛之心

編輯｜深藍學(xué)院

計算機視覺如何在復(fù)雜環(huán)境中進行有效感知？

近年來，計算機視覺在智能交通系統(tǒng)（ITS）和自動駕駛（AD）中的應(yīng)用逐漸轉(zhuǎn)向深度神經(jīng)網(wǎng)絡(luò)架構(gòu)。雖然在基準(zhǔn)數(shù)據(jù)集上的性能似乎有所改善，但在研究中還沒有充分考慮到許多現(xiàn)實世界中的挑戰(zhàn)。本文對計算機視覺在ITS和AD中的應(yīng)用進行了廣泛的調(diào)研，并討論了與數(shù)據(jù)、模型和復(fù)雜城市環(huán)境相關(guān)的挑戰(zhàn)。數(shù)據(jù)的挑戰(zhàn)與訓(xùn)練數(shù)據(jù)的收集和標(biāo)記及其與現(xiàn)實世界條件的相關(guān)性、數(shù)據(jù)集固有的偏向、需要處理的大量數(shù)據(jù)以及隱私問題有關(guān)。深度學(xué)習(xí)（DL）模型對于嵌入式硬件上的實時處理來說通常過于復(fù)雜，缺乏可解釋性和可推廣性，并且難以在真實環(huán)境中進行測試。

雖然在一些文獻中提到了這些問題，但只開發(fā)了一些方法來解決這些問題。智能交通中的計算機視覺是一個非?；钴S的研究領(lǐng)域，本文選擇并綜述了200多篇論文。圖1概述了應(yīng)用程序和挑戰(zhàn)，以供快速參考，而表1總結(jié)了每個應(yīng)用程序中使用的方法和相關(guān)挑戰(zhàn)。以下章節(jié)（II、III、IV）討論了數(shù)據(jù)、模型和復(fù)雜交通環(huán)境的具體挑戰(zhàn)。第五節(jié)解釋了應(yīng)對挑戰(zhàn)的一些代表性應(yīng)用和解決方案。第六節(jié)是這一領(lǐng)域研究應(yīng)采取的未來方向，最后，第七節(jié)提出了一些結(jié)論性意見。

數(shù)據(jù)的挑戰(zhàn)1）數(shù)據(jù)通信

數(shù)據(jù)通信雖然在大多數(shù)ITS和AV計算機視覺研究中沒有考慮，但在實際應(yīng)用中至關(guān)重要。在實踐中，單個基于相機的深度學(xué)習(xí)任務(wù)通常需要在TMC的相機和云服務(wù)器之間進行數(shù)據(jù)通信。視頻數(shù)據(jù)量很大，這可能導(dǎo)致潛在的數(shù)據(jù)通信問題，如傳輸延遲和數(shù)據(jù)包丟失。在協(xié)作攝像機傳感環(huán)境中，不僅與服務(wù)器進行數(shù)據(jù)通信，而且在不同傳感器之間進行數(shù)據(jù)通信。因此，另外兩個問題是多傳感器校準(zhǔn)和數(shù)據(jù)同步，協(xié)作環(huán)境中的校準(zhǔn)旨在確定傳感器之間的****轉(zhuǎn)換，以便能夠在給定幀合并來自多個視圖的采集數(shù)據(jù)。這項任務(wù)在多用戶環(huán)境中非常具有挑戰(zhàn)性，因為傳感器之間的變換矩陣隨著車輛的移動而不斷變化。在協(xié)作環(huán)境中，校準(zhǔn)依賴于背景圖像中元素的同步，以確定靜態(tài)或移動傳感器之間的轉(zhuǎn)換。存在多個去同步源，例如時鐘之間的偏移或可變通信延遲。雖然時鐘可能是同步的，但很難確保在同一時刻觸發(fā)數(shù)據(jù)采集，這增加了合并采集數(shù)據(jù)的不確定性。同樣，不同的采樣率需要在采集或預(yù)測數(shù)據(jù)之間進行插值，這也增加了不確定性。

2）訓(xùn)練數(shù)據(jù)和benchmark的質(zhì)量

交通攝像頭廣泛部署在道路和車輛上，DOT和城市的TMC不斷收集網(wǎng)絡(luò)范圍內(nèi)的交通攝像頭數(shù)據(jù)，這些數(shù)據(jù)對各種ITS應(yīng)用（如事件識別和車輛檢測）都很有價值。然而，標(biāo)記的訓(xùn)練數(shù)據(jù)遠不如未標(biāo)記的數(shù)據(jù)常見。隨著圖形逼真度和模擬物理變得越來越現(xiàn)實，許多應(yīng)用程序缺少注釋數(shù)據(jù)集的問題正慢慢被合成數(shù)據(jù)所克服。例如，[9]中的GT 3D信息在單目3D檢測和跟蹤的訓(xùn)練期間需要高精度，因此使用了視頻游戲數(shù)據(jù)。除了真實的外觀，模擬場景不需要手動標(biāo)記，因為標(biāo)簽已經(jīng)由模擬生成，并且可以支持各種照明、視點和車輛行為。然而，如果使用合成數(shù)據(jù)，真實世界的應(yīng)用仍然需要額外的學(xué)習(xí)過程，例如領(lǐng)域自適應(yīng)。低保真度模擬數(shù)據(jù)用于訓(xùn)練具有域隨機化轉(zhuǎn)移學(xué)習(xí)的真實世界目標(biāo)檢測器。缺乏高質(zhì)量的碰撞和接近碰撞數(shù)據(jù)通常被認(rèn)為是一個實際的限制，更多的碰撞數(shù)據(jù)將更新AD中的注意力指南，使其能夠捕捉長期碰撞特征，從而提高碰撞風(fēng)險評估。

3）數(shù)據(jù)偏差

盡管當(dāng)前的車輛檢測算法在平衡數(shù)據(jù)集上表現(xiàn)良好，但當(dāng)面對不平衡數(shù)據(jù)集時，它們在尾部類別上的性能會下降。在現(xiàn)實世界場景中，數(shù)據(jù)往往服從Zipfian分布，其中大量尾部類別的樣本很少。在長尾數(shù)據(jù)集中，少數(shù)頭部類（頻繁類）貢獻了大部分訓(xùn)練樣本，而尾部類（罕見類）的代表性不足。大多數(shù)使用此類數(shù)據(jù)訓(xùn)練的DL模型將長尾訓(xùn)練數(shù)據(jù)的經(jīng)驗風(fēng)險降至最低，并且偏向于頭部類別，因為它們貢獻了大部分訓(xùn)練數(shù)據(jù)。一些方法，如數(shù)據(jù)重采樣[22]和損失重加權(quán)[23]，可以補償不足的類別。然而，他們需要根據(jù)類別頻率將類別劃分為幾個組。頭尾類之間的這種硬性劃分帶來了兩個問題：相鄰類別之間的訓(xùn)練不一致，以及對罕見類別缺乏辨別力。

模型挑戰(zhàn)1）復(fù)雜性

DL計算機視覺模型在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練過程方面具有很高的復(fù)雜性。許多DL模型設(shè)計用于在高性能云中心或AI工作站上運行，而一個好的模型需要數(shù)周或數(shù)月的訓(xùn)練，以及由GPU或Tensor處理單元（TPU）驅(qū)動的高功耗。實時應(yīng)用程序通常會進行一些修改，如調(diào)整視頻大小以降低分辨率或模型量化和修剪，這可能會導(dǎo)致性能損失。為了滿足效率和精度要求，在許多實際應(yīng)用中需要降低最先進DL方法的模型復(fù)雜性。例如，多尺度可變形注意力已與視覺vit一起用于目標(biāo)檢測，以實現(xiàn)高性能和快速收斂，從而加快訓(xùn)練和推理。

2）缺乏可解釋性

DNN在很大程度上被視為具有多個處理層的黑盒，其工作情況可以使用統(tǒng)計數(shù)據(jù)進行檢查，但學(xué)習(xí)到的網(wǎng)絡(luò)內(nèi)部表示基于數(shù)百萬或數(shù)十億個參數(shù)，使得分析極其困難。這意味著，行為本質(zhì)上是不可預(yù)測的，而且對決策的解釋很少，這也使得自動駕駛等關(guān)鍵用例無法進行系統(tǒng)驗證。普遍認(rèn)為，復(fù)雜的黑盒是良好性能所必需的，這一假設(shè)受到了挑戰(zhàn)。最近的研究試圖使DNN更易于解釋，[41]中介紹了視覺transformer的可視化工具，可用于查看內(nèi)部機制，如隱藏參數(shù)，并深入了解影響預(yù)測的輸入的特定部分。

3）可轉(zhuǎn)移性和可推廣性

對非分布數(shù)據(jù)的泛化對人類來說是自然的，但對機器來說卻具有挑戰(zhàn)性，因為大多數(shù)學(xué)習(xí)算法都強烈依賴于測試數(shù)據(jù)的獨立和相同分布假設(shè)訓(xùn)練，而這在實踐中常常因域轉(zhuǎn)移而被違反。域泛化旨在將模型泛化到新的領(lǐng)域，已經(jīng)提出了學(xué)習(xí)可推廣和可轉(zhuǎn)移表示的不同方法。大多數(shù)現(xiàn)有方法都屬于域?qū)R的范疇，其中的主要思想是最小化源域之間的差異，以學(xué)習(xí)域不變表示。對源域移位不變的特征也應(yīng)該對任何未發(fā)現(xiàn)的目標(biāo)域移位都是魯棒的，數(shù)據(jù)增強是一種常見的做法，用于規(guī)范機器學(xué)習(xí)模型的訓(xùn)練，以避免過度擬合并提高泛化能力[45]，這對于過度參數(shù)化的DNN尤為重要。神經(jīng)網(wǎng)絡(luò)中的視覺注意力可用于突出決策中涉及的圖像區(qū)域，并進行因果過濾以找到最相關(guān)的部分[46]。[47]中通過使用圖像的隨機屏蔽版本并比較輸出預(yù)測來估計單個像素的重要性，這種方法不適用于時空方法或那些考慮復(fù)雜環(huán)境中對象之間關(guān)系的方法！

4）真實世界測試

一般來說，DL方法容易出現(xiàn)不規(guī)范，無論模型類型或應(yīng)用如何，都會出現(xiàn)這種問題。在其它領(lǐng)域中，[48]分析了計算機視覺中的不規(guī)范性，特別是針對DL模型，如常用的ResNet-50和縮放轉(zhuǎn)移學(xué)習(xí)圖像分類模型Big transfer（BiT）[49]。研究表明，雖然基準(zhǔn)分?jǐn)?shù)隨著模型復(fù)雜度和訓(xùn)練數(shù)據(jù)的增加而提高，但使用真實世界的失真進行測試會導(dǎo)致較差且高度變化的性能，這嚴(yán)重依賴于用于初始化訓(xùn)練的隨機種子。實際系統(tǒng)需要在各種低成本硬件上實時處理的內(nèi)存和計算方面高效[50]。一些實現(xiàn)高效和低成本計算的方法包括參數(shù)修剪、網(wǎng)絡(luò)量化、低秩因子分解和模型蒸餾。像[51]這樣的方法是有效的，能夠?qū)崟r預(yù)測軌跡，但不是端到端的，因為它們假設(shè)預(yù)先存在目標(biāo)跟蹤系統(tǒng)來估計周圍車輛的狀態(tài)。

行人和騎自行車者等弱勢道路使用者（VRU）存在一個獨特的問題，因為他們可以非?？焖俚馗淖兎较蚝退俣?，并與車輛不同地與交通環(huán)境交互。在ITS中實際部署計算機視覺模型的一些主要障礙是數(shù)據(jù)源和軟件的異質(zhì)性、傳感器硬件故障以及極端或異常傳感情況。此外，最近的框架（例如基于邊緣計算的框架）直接暴露了具有各種安全實現(xiàn)的大量異構(gòu)設(shè)備的無線通信信號，為惡意行為者創(chuàng)造了不斷增加的潛在攻擊面。已經(jīng)開發(fā)了深度學(xué)習(xí)模型來檢測這些攻擊，但實時應(yīng)用和在線學(xué)習(xí)仍然是積極研究的領(lǐng)域。IoV面臨著基本的實際問題，這是由于移動車輛將在邊緣節(jié)點上呈現(xiàn)高度可變的處理要求，而每輛車也可以同時運行許多邊緣和云相關(guān)的應(yīng)用程序，以及惡劣的無線通信環(huán)境。與自動駕駛汽車邊緣計算相關(guān)的其它挑戰(zhàn)包括協(xié)作感知、協(xié)作決策和網(wǎng)絡(luò)安全，攻擊者可以使用激光和明亮的紅外光干擾相機和激光雷達，改變交通標(biāo)志，并通過通信信道回放攻擊，模型挑戰(zhàn)的可視化描述如圖3所示！

復(fù)雜的環(huán)境1）陰影、照明、天氣

陰影、惡劣天氣、背景和前景之間的相似性、現(xiàn)實世界中的強烈或不足照明等情況被引用為常見問題[59]，[60]。眾所周知，相機圖像的外觀受到不利天氣條件的影響，如大霧、雨夾雪、暴風(fēng)雪和沙塵暴[61]。[62]中的一種實時碰撞檢測方法使用高斯混合模型進行前景提取，然后使用平均移動算法跟蹤車輛。車輛的位置、速度和加速度通過閾值函數(shù)來確定碰撞的檢測。雖然計算效率很高，但這種方法在噪聲、復(fù)雜的交通環(huán)境和天氣變化的情況下會受到嚴(yán)重影響。在惡劣的天氣條件下，相機捕捉到的車輛會出現(xiàn)曝光不足、模糊和部分遮擋等問題。同時，出現(xiàn)在交通場景中的雨滴和雪花增加了算法提取車輛目標(biāo)的難度。在夜間，或在車輛朝著攝像頭行駛的隧道中，由于遠光眩光，場景可能被完全掩蓋。

2）Occlusion

遮擋是最具挑戰(zhàn)性的問題之一，其中由于另一個前景目標(biāo)的遮擋，目標(biāo)對象僅部分可用于相機或傳感器。遮擋以多種形式存在，從部分遮擋到重度遮擋。在AD中，目標(biāo)對象可以被建筑物和燈柱等靜態(tài)對象遮擋，諸如移動車輛或其它道路使用者之類的動態(tài)對象可能會彼此遮擋，例如在人群中。遮擋也是物體跟蹤中的一個常見問題，因為一旦被跟蹤車輛從視野中消失并再次出現(xiàn)，它就被視為不同的車輛，導(dǎo)致跟蹤和軌跡信息不準(zhǔn)確。

3）攝像機角度

在交通基礎(chǔ)設(shè)施的應(yīng)用中，監(jiān)控攝像機的多樣性及其視角對在有限類型的攝像機視圖上訓(xùn)練的DL方法提出了挑戰(zhàn)。雖然[68]中的算法在計算上是有效的，并且可以在不同的照明條件和交通密度場景下工作，但較低的間距相機視圖和道路標(biāo)記拐角可能會引入顯著的錯誤。[69]中的模型可以識別攝像機附近的異常，包括它們的開始和結(jié)束時間，但對于距離中的異常來說并不準(zhǔn)確，因為車輛只占幾個像素。早期對監(jiān)控視頻異常檢測的一項調(diào)查得出結(jié)論，照明、攝像機角度、異質(zhì)對象和缺乏真實世界數(shù)據(jù)集是主要挑戰(zhàn)[67]。用于稀疏和密集交通條件的方法是不同的，并且缺乏可推廣性。在多視圖視覺場景中，匹配不同視圖中的對象是另一個主要問題，因為多視圖ITS應(yīng)用程序需要處理不同相機同時捕獲的不同圖像中的數(shù)據(jù)[70]。

4）相機模糊和圖像降級

監(jiān)控攝像機受天氣因素影響。水、灰塵和顆粒物質(zhì)可能積聚在鏡頭上，導(dǎo)致圖像質(zhì)量下降。強風(fēng)會導(dǎo)致相機抖動，導(dǎo)致整個圖像的運動模糊。自動駕駛汽車上的前置攝像頭也面臨這一問題，因為昆蟲會砸到玻璃上，導(dǎo)致攝像頭視野中的盲點。具體而言，目標(biāo)檢測和分割算法受到極大影響，除非在模型中做好準(zhǔn)備，否則錯誤檢測可能會導(dǎo)致AD中的嚴(yán)重安全問題，并錯過監(jiān)視應(yīng)用中的重要事件。解決這一問題的一些方法包括使用退化圖像進行訓(xùn)練、圖像恢復(fù)預(yù)處理和微調(diào)預(yù)訓(xùn)練網(wǎng)絡(luò)以從退化圖像中學(xué)習(xí)。例如，[72]中使用了密集的Gram網(wǎng)絡(luò)，其提高了退化圖像中的圖像分割性能。

5）異構(gòu)的城市交通條件

密集的城市交通場景充滿了復(fù)雜的視覺元素，不僅在數(shù)量上，而且在各種不同的車輛及其交互中，如圖4所示。汽車、公共汽車、自行車和行人在同一個十字路口的存在是自動導(dǎo)航和軌跡計算的一個重要問題。不同的尺寸、轉(zhuǎn)彎半徑、速度和駕駛員行為因這些道路使用者之間的互動而進一步復(fù)雜化。從DL的角度來看，很容易找到異構(gòu)城市交通的視頻，但標(biāo)記地面真相非常耗時。模擬軟件通常無法捕捉此類場景的復(fù)雜動態(tài)，尤其是在密集的城市中心出現(xiàn)的交通規(guī)則破壞行為。事實上，[74]中創(chuàng)建了一個特定的數(shù)據(jù)集來表示這些行為。[75]中創(chuàng)建了一個用于無管制密集交通的模擬器，該模擬器對自動駕駛感知和控制很有用，但不代表真實道路使用者的軌跡和交互。