DAVE: 快速车辆检测和标注的统一框架
本文提出了一种灵活的管道来采用任何 2D 检测网络并将其与 3D 点云融合,以产生最小的 2D 检测网络变化的 3D 信息,使用卷积神经网络(CNN)进行改善,实现了机动车无人驾驶三维物体感知,排名第二。
Feb, 2018
该研究提出了一种基于可视化分析系统 VATLD 的交通灯检测方法,该方法整合了解缠绕表示学习和语义对抗学习,以评估和改进自动驾驶应用中交通灯检测器的精度和鲁棒性。
Sep, 2020
本文介绍了第一次在捕食 / 逃离场景中,将 CNN 与 DAVIS 相结合构建用于机器人视觉的闭环系统,并通过离线训练和在线计算,实现了对猎物运动轨迹的识别定位。
Jul, 2018
使用深度神经网络方法解决车辆检测和分类问题,提出了在限制数据集大小情况下,如何利用 DNN 进行车辆检测,哪些特征对于车辆分类有用,以及如何扩展模型到极端光照条件。所提出的方法表现优于现有方法,在光照条件极端的图像上取得了有希望的结果。
Jan, 2016
该论文介绍了一个新型的深度学习框架 Evolving Boxes,可以快速从交通监控摄像头中检测车辆,包括轻量级的候选框网络和精细调整网络,以及不同的特征融合技术,相比 Faster RCNN 在 DETRAC 基准测试中提高了 9.5% 的 mAP,可以在商业 GPU 上以 9-13 FPS 的检测速度运行。
Feb, 2017
该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks(MV3D)框架,该框架采用多传感器融合技术,将 LIDAR 点云和 RGB 图像作为输入,并预测有方向的 3D 界限框。实验表明,该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25%和 30%,在 2D 检测中也表现出显著的技术优势。
Nov, 2016
本研究提供了一个基于深度学习的实时交通监控平台,通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测,同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案,实现了对实际交通情况的监测。
Sep, 2021
本文提出一种名为 DSPNet 的模型,利用共享卷积架构实现在单张图片中同时进行物体检测、深度估计和像素级语义分割,达到了较高的精度和效率,适用于自动驾驶等领域。
Mar, 2018
本研究提出了一个自动化的框架,由三个步骤组成:车型识别、车牌定位和阅读。我们使用深度学习算法,在新采集的多样化车型和车牌数据集上进行训练, 最终在车型识别、车牌定位和阅读三个任务中,YOLOv4 算法获得了最佳表现,同时我们也发布了我们的数据集和训练代码。
Feb, 2022
本文提出了基于 YOLO 名物体检测器的自动车牌识别系统,使用卷积神经网络 (CNN) 对每个车牌识别阶段进行训练和微调,实现在不同条件下具有稳健性。针对字符分割和识别,本文设计了一个两阶段方法,并采用倒置车牌和翻转字符等简单的数据增强技巧。该系统在两个数据集中均取得了卓越的成绩。
Feb, 2018