DaDe : Détecteur adaptatif au délai pour la perception en flux

La reconnaissance de l’environnement ambiant avec une faible latence est essentielle dans les véhicules autonomes. Dans un environnement en temps réel, l’environnement change pendant le traitement. Les modèles actuels de détection ne sont pas capables de gérer les modifications de l’environnement survenues après le traitement. La perception en flux (streaming perception) a été proposée pour évaluer à la fois la latence et l’exactitude de la perception vidéo en temps réel. Toutefois, des problèmes supplémentaires apparaissent dans les applications réelles en raison de ressources matérielles limitées, de fortes températures et d’autres facteurs. Dans cette étude, nous développons un modèle capable de refléter en temps réel les délais de traitement et de produire les résultats les plus raisonnables. Grâce à l’intégration de la file de caractéristiques proposée et du module de sélection de caractéristiques, le système acquiert la capacité de prédire des étapes temporelles spécifiques sans coût computationnel supplémentaire. Notre méthode a été testée sur le jeu de données Argoverse-HD. Elle atteint des performances supérieures aux méthodes de pointe actuelles (décembre 2022) dans divers environnements, même en présence de retards. Le code est disponible à l’adresse suivante : https://github.com/danjos95/DADE