LaB-CL: Localized and Balanced Contrastive Learning for improving parking slot detection

📄 arXiv: 2410.07832v1 📥 PDF

作者: U Jin Jeong, Sumin Roh, Il Yong Chun

分类: cs.CV, cs.AI, cs.RO

发布日期: 2024-10-10

备注: 7 pages, 6 figures

💡 一句话要点

提出LaB-CL框架，通过局部平衡对比学习提升泊车位检测性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 泊车位检测 对比学习 数据不平衡 自动泊车 目标检测

📋 核心要点

  1. 现有泊车位检测方法忽略了数据不平衡问题，导致分类性能下降，尤其是在角点和形状识别任务中。
  2. LaB-CL框架通过引入类原型和困难负样本采样，实现局部平衡对比学习，从而缓解数据不平衡问题。
  3. 实验结果表明，LaB-CL框架在基准数据集上优于现有方法，验证了其在泊车位检测中的有效性。

📝 摘要（中文）

泊车位检测是自动泊车系统中的一项关键技术。通常，泊车位检测的分类问题包含两个任务：确定局部候选区域是否为泊车位的角点，以及识别检测到的角点的形状。这两个分类任务都容易面临偏向多数类的学习，从而降低分类性能。然而，数据不平衡问题在泊车位检测中一直被忽视。我们提出了第一个用于泊车位检测的监督对比学习框架，即用于改进泊车位检测的局部平衡对比学习（LaB-CL）。所提出的LaB-CL框架使用两种主要方法。首先，我们提出包含类原型，从局部角度考虑每个小批量中所有类的表示。其次，我们提出了一种新的困难负样本采样方案，该方案选择具有高预测误差的局部表示。在基准数据集上的实验表明，所提出的LaB-CL框架可以优于现有的泊车位检测方法。

🔬 方法详解

问题定义：论文旨在解决泊车位检测中数据不平衡导致分类性能下降的问题。现有的泊车位检测方法通常忽略了数据集中正负样本比例失衡的现象，这会导致模型在训练过程中偏向于多数类，从而降低对少数类的识别能力，尤其是在角点检测和形状识别等任务中。

核心思路：论文的核心思路是通过局部平衡对比学习来缓解数据不平衡问题。具体来说，该方法旨在学习更具区分性的特征表示，使得相同类别的样本在特征空间中更加接近，而不同类别的样本则更加远离。通过引入类原型和困难负样本采样，可以有效地平衡不同类别样本对损失函数的贡献，从而提高模型的泛化能力。

技术框架：LaB-CL框架主要包含两个关键模块：局部对比学习模块和平衡采样模块。局部对比学习模块负责提取局部区域的特征表示，并利用对比损失函数来学习具有区分性的特征。平衡采样模块则负责选择具有代表性的正负样本，以缓解数据不平衡问题。整个框架的训练流程如下：首先，从数据集中采样一个小批量样本；然后，利用局部对比学习模块提取特征表示；接着，利用平衡采样模块选择困难负样本；最后，计算对比损失函数并更新模型参数。

关键创新：该论文的关键创新在于提出了局部平衡对比学习（LaB-CL）框架，该框架专门针对泊车位检测中的数据不平衡问题进行了优化。与传统的对比学习方法相比，LaB-CL框架引入了类原型和困难负样本采样，从而更好地平衡了不同类别样本对损失函数的贡献。此外，该框架还采用了局部特征表示，从而更好地捕捉了泊车位角点的局部信息。

关键设计：在类原型方面，论文为每个类别维护一个原型向量，该向量代表了该类别样本的平均特征表示。在困难负样本采样方面，论文选择具有高预测误差的局部表示作为负样本，这些负样本对模型的训练具有更大的挑战性。损失函数采用标准的对比损失函数，旨在拉近相同类别样本的距离，并推远不同类别样本的距离。具体的网络结构未知，但可以推测使用了卷积神经网络来提取局部特征。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文提出的LaB-CL框架在基准数据集上取得了优于现有方法的性能。具体的数据和提升幅度未知，但摘要中明确指出LaB-CL框架能够超越现有的泊车位检测方法，表明其在解决数据不平衡问题方面的有效性。未来的研究可以进一步探索LaB-CL框架在其他数据集和场景下的泛化能力。

🎯 应用场景

该研究成果可应用于自动泊车系统、高级驾驶辅助系统（ADAS）以及智能交通管理等领域。通过提高泊车位检测的准确性和鲁棒性，可以提升自动泊车系统的性能和用户体验，减少泊车事故的发生，并为智能交通管理提供更精确的泊车位信息，从而优化城市交通资源。

📄 摘要（原文）

Parking slot detection is an essential technology in autonomous parking systems. In general, the classification problem of parking slot detection consists of two tasks, a task determining whether localized candidates are junctions of parking slots or not, and the other that identifies a shape of detected junctions. Both classification tasks can easily face biased learning toward the majority class, degrading classification performances. Yet, the data imbalance issue has been overlooked in parking slot detection. We propose the first supervised contrastive learning framework for parking slot detection, Localized and Balanced Contrastive Learning for improving parking slot detection (LaB-CL). The proposed LaB-CL framework uses two main approaches. First, we propose to include class prototypes to consider representations from all classes in every mini batch, from the local perspective. Second, we propose a new hard negative sampling scheme that selects local representations with high prediction error. Experiments with the benchmark dataset demonstrate that the proposed LaB-CL framework can outperform existing parking slot detection methods.