cv_cspnet_video-object-detection_longshortnet

LongShortNet 模型介绍

任务说明

本模型所述的任务为流感知（Streaming Perception）任务，该任务为视频目标检测（Video Object Detection, VOD）任务的一个新的细分方向。如上图上半部分所示，传统的VOD采用离线的处理模式，没有考虑模型的延时，所以模型检测结果和真实环境存在由于模型延时造成的误差。而流感知任务在关注模型精度的同时，也考虑了模型的延时，如上图下半部分所示，这样得到的检测结果与真实环境更加匹配。所以说，流感知任务是一个更加贴近自动驾驶真实应用场景的任务。

模型描述

LongShortNet是对流感知任务已有方法StreamYOLO的改进，主要的改进点有以下几个方面：

• 在流感知任务中首次引入长时序信息。原有的StreamYOLO方法仅使用当前帧和前一帧两帧信息作为输入，这样的短时序信息无法表征复杂的运动状态，如：非匀速运动、非直线运动、物体遮挡等；
• 本模型提出了一种长短时序融合模块（Long-Short Fusion Module, LSFM）。探索了不同的时序融合方式，最终得到一种在精度和速度上能有较好平衡的融合方式；
• 本模型在流感知的公开评测数据集Argoverse-HD上，在几乎不增加推理耗时的前提下，达到了SOTA水平。

在模型结构方面，LongShortNet与StreamYOLO保持一致，采用YOLOX作为基础网络结构。

LongShortNet的整体框图如下图所示：

期望模型使用方式以及适用范围

该模型适用于自动驾驶场景目标预测检测，，支持8类交通目标检测，具体的类别信息如下：

类别ID 类别名称

• ----------- ------------

1 person

2 bicycle

3 car

4 motorcycle

5 bus

6 truck

7 traffic light

8 stop sign

如何使用

在ModelScope框架上，提供输入视频，即可以通过简单的Pipeline调用使用当前模型，得到视频中目标位置及类别。

推理代码范例

基础示例代码。下面的示例代码展示的是如何通过一个视频作为输入，得到图片对应的交通目标坐标信息。

模型局限性以及可能的偏差

对于非自动驾驶前置摄象机场景会出现明显检测性能下降的情况。

训练数据介绍

Argoverse-HD 数据集是最近提出的自动驾驶数据集，该数据集与其他的自动驾驶相比，数据规模中等，复杂程度较高，是一个较有代表性的数据集。更重要的是，Argoverse-HD 是第一个提出流感知任务的数据集，并且设计了Stream AP评测标准。该标准将感知时延充分考虑，实现对模型的性能-速度的全面、有效评价。

训练

本模型暂时不支持finetune， 具体离线训练细节如下：

在Argoverse-HD 上训练8个epoch

使用SGD优化算法，线性 LR 策略

使用flip数据增强， 多尺度训练增强

输入预处理

输入图像根据短边resize到640后，padding 为640x960的矩形进行推理

图像归一化

数据评估及结果

模型在Argoverse-HD的验证集上客观指标如下：

Model size velocity sAP0.5:0.95 sAP50 sAP75 weights COCO pretrained weights

• ----- :---: :---: :---: :---: :---: :----: :----:

LongShortNet-S 600×960 1x 29.8 50.4 29.5 official official

LongShortNet-M 600×960 1x 34.1 54.8 34.6 official official

LongShortNet-L 600×960 1x 37.1 57.8 37.7 official official

相关论文以及引用信息