Detekce vzácných událostí pro autonomní auta

Abstract

Hlavním cílem této studie je porovnat běžné detektory objektů s moderními samo-učícími se detektory objektů v kontextu řízení vozidel. Nejprve jsou vytvořene dvě datové sady: první sada obsahuje náhodné videozáznamy z jízdy, zatímco druhá sada je vytvořena pomocí navrženého postupu pro detekci neobvyklých událostí. Tyto datové sady jsou poté zpracovány pomocí standardního detektoru objektů a samo-učícího se modelu. Výsledky jsou porovnány a analyzovány, aby se zjistilo, zda objekty, které nejsou detekovány běžným detektorem, mohou ovlivnit chování vozidla.

The main goal of this work is to compare standard object detectors with modern self-supervised object detectors in the context of vehicle driving. In the first part, two data subsets are created. The first subset consists of random video samples of driving, while the second subset is generated using a designed pipeline for detecting unusual events. These datasets are then processed using both a standard object detector and a self-supervised model. The results are compared and analyzed to determine whether objects undetected by the common detector can affect vehicle behavior.