CVPRMar, 2017

从大规模网络摄像头数据中理解交通密度

PDF
TL;DR通过深度学习和优化方法，本文探讨了从低分辨率、高遮挡和大透视的网络摄像头视频中理解交通密度的问题，并提出了两种方法：一种是基于排名约束回归的方法，另一种是基于全卷积网络的方法。在一个大规模的交通视频数据集上进行了广泛的评估和比较。其中全卷积网络的方法相对于现有的基线取得了显著的改善。收集和标记的大规模交通视频数据集可以解决现有数据集所面临的限制。
发现论文，激发创造
  • 城市摄像头车辆计数的深度时空神经网络 FCN-rLSTM

    该论文利用深度时空神经网络和特定的 FCN-rLSTM 网络技术，通过连接全卷积神经网络和长短期记忆网络来估计城市摄像头所捕捉到的低质量车辆视频中的车辆密度和计数，以及预测像素与车辆计数之间的端到端映射，能够有效解决现有方法在分辨率、光照、遮挡和车辆数量等方面的不足，并且经过不同数据集的实验验证，该方法具有鲁棒性和良好的效果。

    Jul, 2017

  • 基于卷积神经网络的单张图像人群计数和密度估计的最新研究综述

    本文综述了基于深度学习的卷积神经网络方法在人群计数和密度图估计方面的最新研究和挑战，并评估了手工特征表示方法与深度学习方法在可靠性和效率方面的优缺点。

    Jul, 2017

  • 基于 Faster R-CNN 深度学习方法的智能车辆交通管理

    通过基于 Faster R-CNN 的深度学习方法，研究了车辆的分割问题，在自适应背景模型的最小化、基于 Faster R-CNN 的子网络操作、Faster R-CNN 初始细化以及扩展拓扑活跃网的结果优化等四个步骤中得到了解决，并通过拓扑活跃网变形模型实现了更高的分割准确性。实验结果证明了这一计算框架的优越性。

    Nov, 2023

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    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

  • 基于深度卷积神经网络的交通拥堵预测：一种颜色编码方法

    本研究提出了一种利用颜色编码方案对交通视频进行分类的方法，并使用深度卷积神经网络进行训练，通过实验得到 98.2% 的分类准确率。

    Sep, 2022

  • 超越计数：应用于人群分析任务的密度地图比较 —— 计数、检测和跟踪

    研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

    May, 2017

  • 将交通视为图像：用深度卷积神经网络对大规模交通网络速度进行预测

    本文提出了一种基于卷积神经网络的方法，将交通数据通过二维时间空间矩阵转化成图像进行处理，并预测大规模网络流量，实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。

    Jan, 2017

  • 基于 CNN 的密度估计与人群计数：综述

    本文通过对 220 多篇文献的综合和系统研究，主要研究基于 CNN 的密度图估计方法，根据评估指标，在人群计数数据集上选择前三名表现者，并分析其优缺点，希望对未来人群计数发展做出合理推断和预测，同时也为其他领域的目标计数问题提供可行的解决方案。

    Mar, 2020

  • 利用闭路电视摄像头收集高分辨率交通数据的二维单应性应用

    该研究实施了一个三阶段的视频分析框架，用于从道路上的摄像头提取高分辨率的交通数据，关键组成部分包括目标识别、透视转换和车辆轨迹重建，可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。

    Jan, 2024

  • 从大规模视频数据集中端对端学习驾驶模型

    利用大规模的众包视频数据，从中学习通用车辆运动模型，并开发了一种端到端可训练的架构，用于从瞬间单目摄像头观察和先前的车辆状态中学习预测未来车辆自我运动的分布。

    Dec, 2016