Detection and tracking of vehicles in autonomous driving is quite important and it has become a major application filed of computer vision. Tracking and predicting the vehicles is essential because vehicles will significantly influence the decision of driverless car and vehicles are the main obstacle existing in the road. The main attribution of this paper is developing a robust and effective architecture using a novel Superior-Winning (SW) algorithm to track the vehicle. To enhance the process speed and accuracy, we utilize the most popular sharing parameters method and effective region proposal networks in F-RCNN framework. Our data set are diverse and fully represent the characteristics of the vehicle. It covers many different conditions. Before we feed our sequence into the system, we should do the data normalization. In our dataset, only the vehicles outside the ignoring region are annotated and evaluated. The evaluation is done using the standard mean Average Precision (mAP) at some specific IoU threshold. The experiments show that in some cases such as the vehicle dataset, simple tracking methods like the SW tracker can lead to better results than complex approaches based on decades of research. Also, Thanks to its very low computational footprint, the proposed method can serve as a simple baseline method for other trackers and allows an assessment of the importance of further efforts in the tracking algorithm.
자율 주행 자동차의 탐지와 추적은 매우 중요한 요소이며, 컴퓨터 비전 분야의 주요 응용 영역이 되었다. 차량은 도로에서 주요 장애물임과 동시에 무인자동차와 일반차량의 결정에 중요한 영향을 끼치는 요소이기 때문에 차량의 추적과 예측은 필수적이다.본 논문은 새로운 Superior-Winning (SW) 알고리즘을 사용하여 차량을 추적하는 강력하고 효과적인 아키텍처 개발에 관한 내용이다.프로세스 속도와 정확성을 높이기 위해 F-RCNN 프레임 워크에서 가장 널리 사용되는 공유 매개 변수 방법과 효과적인 지역 제안 네트워크(Region Proposal Networks)를 사용한다. 데이터셋은 다양하게 차량의 특성을 충분히 나타냈으며 이는 여러 가지 조건을 다루고있다. 시퀀스를 시스템에 공급하기 전에 데이터 정규화를 수행해야하며, 데이터셋에서는 무시한 지역 밖의 차량들만 주석을 달아 평가(Evaluation)하였다.평가는 특정 IoU 임계 값에서 표준 평균 정밀도 (mAP, mean Average Precision)를 사용하여 수행된다.실험 결과에 따르면 차량 데이터셋과같은경우 SW 추적기와 같은 간단한 추적 방법을 사용하면, 수십 년 간의 연구를 기반으로 한 복잡한 접근 방식보다 더 나은 결과를 얻을 수 있다. 또한 계산량이 매우 적기 때문에 제안된 방법은 다른 추적기에 대한 간단한 기준 방법으로 사용될 수 있으며, 추적 알고리즘에서의 추가적인 노력의 중요도를 평가할 수 있다.