Apr, 2016

使用自监督和在线训练的全卷积网络进行自由空间检测

PDF
TL;DR本文研究了基于视觉的高级驾驶辅助系统中的自由空间检测，提出采用完全卷积网络进行自我监督训练，以降低对大型手动注释训练集的需求。通过使用立体视觉视差系统自动生成 FCN（Fully Convolutional Network）的（弱）训练标签，使得应用 FCN 能够适应任何车辆遇到的交通场景。在线训练 FCN 的结果表明，相比于离线训练，Fmax 和 AP 的性能提升了 5%。
vision-based advanced driver assist systemsfully convolutional networkself-supervised trainingstereo-vision disparity systemfree-space analysis
发现论文，激发创造
  • 基于单个 CNN 的增强型多车道道路空地检测和场景识别

    该论文提出了一个使用单一的 CNN 来估计车道内的免费空间的新方法，通过训练多任务的 CNN 以及进一步的网络输出和多边形提取，实现了车道内免费空间以及道路类型的识别并给出了基于 ROS 的计算实现方法。

    May, 2019

  • 跨模态领域自适应在自由空间检测中的应用：一种简单而有效的基线模型

    本研究探索无人驾驶系统中的 freespace 检测，并且利用无监督域自适应的方法来解决数据有限的问题。通过使用 RGB 图片和深度图片生成的表面法线图来提取特征并引入 CCG 模式来改进互相关信息，以达到更好的 freespace 检测效果。

    Oct, 2022

  • 自由空间分割的最小化监督

    本文针对自动驾驶中的一个基本任务，即识别场景前方可以安全行驶区域，提出了一种新颖实用的方法 —— 在最小程度的人工监督下，利用自由空间的同质纹理和位置特征进行分割，实验结果表明该方法在使用更少的监督情况下比其他弱监督方法表现更好，为自主驾驶系统适应不同类型车辆和环境提供了新的可能性。

    Nov, 2017

  • 无需训练数据的基于自监督全卷积网络的非刚性图像配准

    本文提出了一种新型的基于卷积神经网络的非刚性图像配准算法，通过优化和学习不同尺度下的空间变换以及卷积神经网络，实现了对 3D 结构脑磁共振图像更好的配准效果。

    Jan, 2018

  • 自动驾驶直接感知的快速循环全卷积神经网络

    通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。

    Nov, 2017

  • SNE-RoadSeg: 将地表法向信息纳入语义分割以提高精确的自由空间检测

    本文介绍了一种能够从深度图像中准确高效地推断表面法线信息的新型模块，以及一个能够同时提取并融合 RGB 图像和推理表面法线信息的数据融合卷积神经网络（CNN），并使用一个全新的数据集，该数据集包含在不同照明和天气条件下收集的大规模合成自由空间检测数据，证明了我们提出的算法能够在不同的数据集中取得最佳的性能表现。

    Aug, 2020

  • FSNet: 为自主驾驶重新设计自监督单目深度估计以进行全尺度深度预测

    研究提出了一种综合的自我监督框架，利用惯性测量得到的帧间姿势，在自动驾驶场景中准确预测深度，特别是引入了一种全尺度深度预测网络 FSNet，对现有自我监督模型进行了四项重要改进，证明了其潜力。

    Apr, 2023

  • 基于完全卷积网络的激光雷达云检测

    本论文描述了一种使用 FCN 进行半监督学习的方法，通过预训练分类层和 MPLCMASK 云层算法的云位置以及手动标记的云位置，用于分割激光雷达图像中的云的几何高度和时间位置，并展示与云层算法实现相比较高的云识别水平。

    May, 2018

  • 定向约束的全卷积神经网络用于航空 LiDAR 点云分类

    本文提出了一种用于无人机 LiDAR 点云分类的方向约束全卷积神经网络模型（D-FCN），该模型利用方向约束点卷积模块和多尺度卷积神经网络实现了点云的语义标记，取得了 70.7% 的平均 F1 得分和大幅提高了点数较少目标（如电线、汽车和立面）的分类性能。

    Aug, 2019

  • 深度异常：用于拥挤场景中快速检测异常的全卷积神经网络

    本文基于卷积神经网络、时间序列数据，提出了一种有效的视频异常检测与定位方法，通过实验结果表明该方法在准确性方面胜过现有方法。

    Sep, 2016