MMOct, 2016

寻找自己的路：城市自动驾驶的弱监督路径提案分割

PDF
TL;DR本文提出一种使用弱监督学习的方法，通过对车辆记录路段进行标注，并训练语义分割网络，以实现在复杂城市环境下使用单目摄像头自动驾驶，成功在 KITTI 和 Oxford RobotCar 数据集下实现了路径提议和障碍物分割，并在不同的天气、光线和交通条件下展示出可靠的应用性，可泛化到多种路径提议的情况，并提出将上述系统整合到一个自主城市驾驶框架中的计划。
autonomous drivingdrivable path segmentationweakly-supervised learningsemantic segmentationmonocular camera
发现论文，激发创造
  • 远程监督的道路分割

    该研究提出一种基于远程监督的道路分割方法，只需要图像级标注，可以自动生成弱像素级道路掩模，使用全卷积神经网络，达到了全监督方法 93.8% 的性能，并显著减少了标注工作量。

    Aug, 2017

  • 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

  • 自监督激光雷达分割用于自主室内导航学习

    本研究提出了一种自监督学习方法用于激光雷达帧的语义分割，通过结合 SLAM 和光线追踪算法实现自动化注释，训练预测机器人移动场景中的固定结构和可动目标的深度学习模型，同时改进机器人的导航和本地化性能，为机器人导航和目标定位提供了新的途径。

    Dec, 2020

  • 未知环境下使用信息路径规划的半监督主动学习用于语义分割

    使用自适应地图规划的半监督主动学习方法，结合高质量的人工标签和自动提取的伪标签，显著降低人工标注的需求，从而在减少人工标注工作量的同时，达到接近全监督方法的分割性能，超过自监督方法。

    Dec, 2023

  • 城市环境下车道实例分割数据集

    提出一种半自动化的方法，利用估计的 3D 道路平面投影所有图像序列中的标签，以实现图像序列的高效标注，平均每张图像的标注时间缩短到了 5 秒，无需使用昂贵的传感器设备，同时发布了一个包含 24,000 张图像的数据集并展示了实验结果。

    Jul, 2018

  • 大规模弱监督学习用于卫星图像中的道路提取

    使用深度学习从卫星图像中自动提取道路是传统手动制图的可行替代方案，本文提出了利用 OpenStreetMap 道路数据作为弱标签和大规模卫星图像进行预训练语义分割模型的方法，并且利用大规模预训练使模型具有更好的泛化能力。

    Sep, 2023

  • 无监督高分辨率无人机影像的道路场景解析

    通过使用最新的视觉语言模型和基本的计算机视觉模型，本研究介绍了一种无监督道路解析框架，用于处理超高分辨率的无人机图像，并且无需任何手动标注即可在开发数据集上达到 89.96％的 mIoU。

    Feb, 2024

  • 寻找失物：为自动驾驶车辆探测小型道路障碍物

    本文提出了一种基于立体视觉的方法，通过对立体图像数据上的离散度空间进行统计假设检验，评估独立局部贴片上的自由空间和障碍假设，能可靠地检测 moving vehicle 上的小障碍物，不依赖于全局道路模型，在对象和像素级别上优于所有考虑的基线，成功检测高达 5 厘米高的小障碍物，并可在 20m 的距离下实现低误报率。

    Sep, 2016

  • 无歧视：道路场景分割器的跨城市适应性

    该论文提出了一种无监督学习方法来通过 Google Street View 数据库和时光机功能自动适应不同城市的道路场景分割器，实现跨城市语义分割。

    Apr, 2017

  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016