Mar, 2017

基于全卷积神经网络的 LIDAR 行驶路径生成

PDF
TL;DR本研究使用全卷积神经网络，在 LIDAR 点云、GPS-IMU 信息和 Google 驾驶方向的帮助下生成驾驶路径，并通过测试获得了良好的性能，标志着该系统有望填补底层场景解析和行为反射方法之间的差距。
driving pathslidar point cloudsfully convolutional neural networkperceptionpath generation
发现论文，激发创造
  • 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

  • 无人驾驶汽车的端到端学习

    使用卷积神经网络实现端到端的无人驾驶系统，自动学习所需处理步骤的内部表示，以及如何检测车道等相关功能优化，最终将导致更好的表现和更小的系统

    Apr, 2016

  • 卷积循环网络用于道路边界提取

    本文介绍了一种全自动的深度学习方法，用于从 LiDAR 和相机图像中提取驾驶道路边界的拓扑结构，通过结构的全卷积网络和卷积循环网络，本方法可获得高精度和召回率的驾驶道路拓扑结构。

    Dec, 2020

  • 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

  • 基于 FPGA 的 LiDAR 数据处理实现实时道路分割

    本研究提出了一种基于 FPGA 的卷积神经网络 (CNN) 设计，用于实时处理激光雷达数据的道路分割算法。通过在 LiDAR 传感器数据上训练神经网络模型，本文实现了高效的硬件设计，并成功实现每个 LiDAR 扫描的实时处理，实现了道路分割的高精度。

    Nov, 2017

  • 使用全卷积网络从 3D LIDAR 检测车辆

    本文介绍了如何利用全卷积网络技术实现在 3D 距离扫描数据上进行车辆检测任务。文章中利用单个 2D 全卷积网络同时预测目标置信度和边界框，并通过精心设计边界框编码，即可利用 2D 卷积网络预测完整的 3D 边界框。在 KITTI 数据集上的实验证明了该方法在车辆检测方面具有最新的性能。

    Aug, 2016

  • 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

  • 利用全卷积网络学习人意识路径规划

    论文介绍了一种通过演示学习路径规划的方法，运用了全卷积神经网络来学习专家路径演示的地图，并使用 RRT* 算法来优化路径预测，本方法已在真实路径中进行试验并与逆强化学习算法进行了对比。

    Mar, 2018

  • 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

  • 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