AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving

自动驾驶汽车（AV）系统的安全保障基石是强大的感知模型。然而，在道路上遇到的物体呈现出长尾分布，罕见或未知的类别给部署的感知模型带来挑战。这需要一个昂贵的过程，不断用大量人力资源来筛选和注释数据。我们提出利用最近在视觉语言和大型语言模型方面的进展，设计一个自动数据引擎（AIDE），自动识别问题，高效筛选数据，通过自动标注改进模型，并通过生成不同场景来验证模型。这个过程是迭代的，允许模型不断自我改进。我们进一步建立了AV数据集上的开放世界检测基准，全面评估各种学习模式，展示了我们方法在降低成本的同时表现出卓越的性能。

自动驾驶系统中的感知模型需要处理长尾分布的数据，其中罕见或未知的类别对模型提出挑战，需要昂贵的数据标注和人力成本。本文旨在通过利用视觉语言和大型语言模型，设计一个自动化数据引擎（AIDE）来自动识别问题，高效地筛选和标注数据，通过自动标注提高模型性能，通过生成多样化场景验证模型。这个过程是迭代的，允许模型的持续自我提高。此外，本文建立了一个开放世界检测的AV数据集基准，全面评估各种学习范式，在降低成本的同时展示了我们方法的优异性能。

通过结合视觉语言和大型语言模型，设计一个自动化数据引擎（AIDE）来自动识别问题，高效地筛选和标注数据，通过自动标注提高模型性能，通过生成多样化场景验证模型。

本文提出了一个自动化数据引擎（AIDE），通过结合视觉语言和大型语言模型来解决AV系统中长尾分布数据的问题。作者通过建立一个开放世界检测的AV数据集基准，全面评估各种学习范式，并展示了AIDE方法的优异性能。实验结果表明，AIDE方法能够有效地提高模型性能，降低数据标注和人力成本。

最近在这个领域中，还有一些相关的研究，例如《Learning to Learn from Noisy Labeled Data》、《AutoAugment: Learning Augmentation Policies from Data》、《EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks》等。