Environnements difficiles pour la détection des panneaux de signalisation : Évaluation de la fiabilité dans des conditions défavorables

Les algorithmes de pointe localisent et reconnaissent avec succès les panneaux de signalisation dans les jeux de données existants, qui sont limités en termes de type et de gravité des conditions difficiles. Par conséquent, il n'est pas possible d'estimer les performances des algorithmes de détection des panneaux sous des conditions difficiles négligées. Un autre inconvénient des jeux de données existants est l'utilisation limitée des informations temporelles et l'absence de frames consécutives et d'annotations. Pour surmonter ces lacunes, nous avons généré le jeu de données vidéo CURE-TSD et organisé la première Coupe IEEE de traitement vidéo et d'image (VIP) au sein de la Société de traitement du signal IEEE. Dans cet article, nous fournissons une description détaillée du jeu de données CURE-TSD, analysons les caractéristiques des algorithmes les plus performants et fournissons un benchmark de performance. De plus, nous investiguons la robustesse des algorithmes évalués par rapport à la taille des panneaux, au type de défi et à la gravité. Les algorithmes évalués sont basés sur des réseaux de neurones convolutionnels de pointe et personnalisés qui ont atteint une précision de 0,55 et un rappel de 0,32, un score F0,5 de 0,48 et un score F2 de 0,35. Les résultats expérimentaux montrent que les algorithmes évalués sont très sensibles aux conditions difficiles testées, ce qui entraîne une baisse de performance moyenne de 0,17 en termes de précision et une baisse de performance de 0,28 en rappel dans des conditions sévères. Le jeu de données est disponible publiquement sur https://github.com/olivesgatech/CURE-TSD.