Oct, 2016

融合式深度神经网络：快速且鲁棒的行人检测方法

PDF
TL;DR提出了基于深度神经网络的快速、精准行人检测方法，并将像素级语义分割网络集成到网络融合架构中，以提高检测性能和速度。该方法比现有技术更好地检测小尺寸和遮挡的行人，在 Caltech 行人数据集的多个指标上效果显著优于其他方法。
deep neural networkpedestrian detectionobject detectornetwork fusion methodsemantic segmentation
发现论文，激发创造
  • 行人检测的多光谱深度神经网络

    本论文通过对 Faster R-CNN 进行多光谱行人检测任务的深入分析，并将其建模为卷积神经网络（ConvNet）融合问题，同时发现使用彩色和热成像图像训练的基于 ConvNet 的行人检测器在区分人类实例方面提供了互补信息，其在 KAIST 行人基准上的实验结果表明，在不同 DNN 阶段集成两个分支 ConvNets 的四种 ConvNet 融合结构中，半路融合模型在中间级卷积特征上的结合优于基线方法 11％，遗漏率比其他建议的架构低 3.5％。

    Nov, 2016

  • 用于行人检测的深度卷积神经网络

    本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

    Oct, 2015

  • 使用多模态数据的人工智能驱动的道路网络预测

    本研究提出了一种创新的深度学习自动道路检测方法，通过融合低分辨率卫星图像和 GPS 轨迹数据的策略，对早期和后期融合进行深入研究，并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示，ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet，以及使用低分辨率 Sentinel-2 数据的基准研究，从而为自动道路检测领域作出贡献，并为各种应用中的数据融合方法提供了新的见解。

    Dec, 2023

  • 使用完全卷积神经网络进行 LIDAR-Camera 融合以实现道路检测

    使用深度学习方法结合 LIDAR 和相机图像，开发了一种道路检测方法，通过使用多模式信息，新提出的交叉融合 FCN 实现了更高的准确性，表现优异并跻身最佳方法之列。

    Sep, 2018

  • 基于空间上下文深度网络的自动驾驶多模态行人检测

    本文提出一种基于 RGB 和热图像的、具有新颖空间上下文深度网络结构和多模态特征嵌入模块的行人检测端到端多模态融合模型，其能够在真实世界的日夜低光照条件下实现高效而准确的检测。

    May, 2021

  • 利用特征融合和时空注意力预测行人过路意图

    该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。

    Apr, 2021

  • 使用无监督多阶段特征学习进行行人检测

    本文利用卷积网络模型，采用多阶特征提取，全局形状信息和本地独特的纹理信息相结合以及基于卷积稀疏编码的无监督方法来预训练过滤器，取得了所有主要行人数据集上的最先进和有竞争力的结果，从而解决了行人检测的实际问题。

    Dec, 2012

  • 基于同时检测和分割的多光谱行人检测

    本研究针对光照不足条件下的多光谱行人检测，提出了一种融合网络架构，包括多光谱提议网络和多光谱分类网络。该网络通过同时优化行人检测和语义分割任务进行学习，并通过整合不同模式和两个阶段的输出来获得最终的检测结果，在 KAIST 数据集上显著优于现有方法。此外，作者也提供了一个经过消毒的 KAIST 数据集训练标注，帮助解决不同种类标注错误的问题。

    Aug, 2018

  • 深入探究行人

    本文研究卷积神经网络在行人检测中的应用。本研究表明，即使没有明确建立问题的模型，也可以获得具有竞争力的性能，探讨了不同训练数据（包括预训练）对卷积神经网络行人检测器性能的影响，标志谷数据集和 KITTI 数据集的实验证明本方法的有效性。

    Jan, 2015

  • 传感器融合优化门控深度学习架构

    本文提出两种更优化的结构：一种采用更粗粒度的门控机制，使用组级别融合权重；另一种是使用组级别和特征级别的融合权重的两阶段门控机制，实验结果表明所提出的门控结构在面对传感器噪声和故障时具有鲁棒性并显著提高了性能。

    Oct, 2018