# HazardNet: Road Debris Detection by Augmentation of Synthetic Models

**Authors:** Tae Eun Choe, Jane Wu, Xiaolin Lin, Karen Kwon, Minwoo Park  
**arXiv:** [2303.07547](https://arxiv.org/abs/2303.07547)  
**Date:** 2023-03-14  
**Summary page:** https://www.summarizepaper.com/fr/paper/2303.07547v1/

## Key points

- Les auteurs présentent un algorithme novateur pour détecter les débris routiers invisibles en utilisant des modèles synthétiques.
- La détection précoce des débris routiers est cruciale pour la conduite autonome ou assistée en toute sécurité.
- Deux principaux défis dans la construction d'un détecteur de débris routiers : collecte difficile de données sur les débris et variabilité importante des types de débris.
- Les auteurs proposent une approche innovante d'apprentissage à quelques coups qui utilise l'augmentation sémantique et la randomisation du domaine pour augmenter les images réelles avec des modèles synthétiques.
- HazardNet est capable de détecter avec précision les vrais débris routiers lorsqu'il est entraîné sur des objets synthétiques dans des images augmentées, offrant ainsi une solution prometteuse pour améliorer la sécurité et l'efficacité des systèmes autonomes ou assistés sur nos routes.

## Summary

Les auteurs Tae Eun Choe, Jane Wu, Xiaolin Lin, Karen Kwon et Minwoo Park présentent dans leur étude intitulée "HazardNet: Détection de débris routiers par augmentation de modèles synthétiques" un algorithme novateur pour détecter les débris routiers invisibles en utilisant un petit ensemble de modèles synthétiques. La détection précoce des débris routiers est cruciale pour la conduite autonome ou assistée en toute sécurité. Cependant, le développement d'un modèle robuste de détection des débris routiers n'a pas été largement discuté. Deux principaux défis se posent dans la construction d'un détecteur de débris routiers : premièrement, la collecte de données sur les débris routiers est difficile car les objets dangereux sur la route sont rares à rencontrer dans des scénarios de conduite réels ; deuxièmement, la variabilité des débris routiers est large, allant d'une petite brique à un grand arbre tombé. Pour surmonter ces défis, les auteurs proposent une approche novatrice d'apprentissage à quelques coups de la reconnaissance des débris routiers qui utilise l'augmentation sémantique et la randomisation du domaine pour augmenter les images réelles de la route avec des modèles synthétiques. Ils restreignent le domaine du problème aux objets peu communs sur la route et permettent au réseau neuronal profond HazardNet d'apprendre le sens sémantique des débris routiers pour finalement détecter les débris invisibles. Leurs résultats montrent que HazardNet est capable de détecter avec précision les vrais débris routiers lorsqu'il est seulement entraîné sur des objets synthétiques dans des images augmentées. Cette approche offre une solution prometteuse pour améliorer la sécurité et l'efficacité des systèmes autonomes ou assistés sur nos routes.