Improving the Efficiency of 3D Monocular Object Detection and Tracking for Road and Railway Smart Mobility - Archive ouverte HAL Accéder directement au contenu
Article Dans Une Revue Sensors Année : 2023

Improving the Efficiency of 3D Monocular Object Detection and Tracking for Road and Railway Smart Mobility

Améliorer l'efficacité de la détection et du suivi monoculaire d'objets en 3D pour la mobilité intelligente routière et ferroviaire

Résumé

Three-dimensional (3D) real-time object detection and tracking is an important task in the case of autonomous vehicles and road and railway smart mobility, in order to allow them to analyze their environment for navigation and obstacle avoidance purposes. In this paper, we improve the efficiency of 3D monocular object detection by using dataset combination and knowledge distillation, and by creating a lightweight model. Firstly, we combine real and synthetic datasets to increase the diversity and richness of the training data. Then, we use knowledge distillation to transfer the knowledge from a large, pre-trained model to a smaller, lightweight model. Finally, we create a lightweight model by selecting the combinations of width, depth & resolution in order to reach a target complexity and computation time. Our experiments showed that using each method improves either the accuracy or the efficiency of our model with no significant drawbacks. Using all these approaches is especially useful for resource-constrained environments, such as self-driving cars and railway systems.
La détection et le suivi d'objets tridimensionnels (3D) en temps réel est une tâche importante dans le cas des véhicules autonomes et de la mobilité intelligente routière et ferroviaire, afin de leur permettre d'analyser leur environnement à des fins de navigation et d'évitement des obstacles. Dans cet article, nous améliorons l'efficacité de la détection d'objets monoculaires en 3D en utilisant la combinaison d'ensembles de données et la distillation de connaissances, et en créant un modèle léger. Tout d'abord, nous combinons des ensembles de données réelles et synthétiques afin d'accroître la diversité et la richesse des données d'apprentissage. Ensuite, nous utilisons la distillation des connaissances pour transférer les connaissances d'un grand modèle pré-entraîné vers un modèle plus petit et plus léger. Enfin, nous créons un modèle léger en sélectionnant les combinaisons de largeur, de profondeur et de résolution afin d'atteindre un objectif de complexité et de temps de calcul. Nos expériences ont montré que l'utilisation de chaque méthode améliore la précision ou l'efficacité de notre modèle sans inconvénient majeur. L'utilisation de toutes ces approches est particulièrement utile pour les environnements à ressources limitées, tels que les voitures auto-conduites et les systèmes ferroviaires.

Dates et versions

hal-04097585 , version 1 (15-05-2023)

Licence

Paternité

Identifiants

Citer

Alexandre Evain, Antoine Mauri, François Garnier, Messmer Kounouho, Redouane Khemmar, et al.. Improving the Efficiency of 3D Monocular Object Detection and Tracking for Road and Railway Smart Mobility. Sensors, 2023, 23 (6), pp.3197. ⟨10.3390/s23063197⟩. ⟨hal-04097585⟩
44 Consultations
0 Téléchargements

Altmetric

Partager

Gmail Facebook X LinkedIn More