Jul, 2017

自动驾驶深度语义分割：分类、路线图和挑战

PDF
TL;DR本文旨在从自动驾驶的角度探索语义分割问题，首先进行了一般性的分类调查，然后讨论了其在自动驾驶中的应用。其次，列出了将其部署到需要高精度和鲁棒性的安全系统中的挑战，探讨了替代使用独立语义分割模块的不同方法。最后，基于 CamVid 数据集对不同的语义分割架构进行了实证评估。
发现论文，激发创造
  • 应用于语义分割的深度学习技术综述

    该论文综述了应用于各种应用领域的基于深度学习技术的图像语义分割方法，描述了该领域的术语和必要的背景概念，并评估了现有方法的贡献和意义，并给出了相应的定量结果和讨论。

    Apr, 2017

  • 深度语义分割的三重审视：注重效率、时间性和深度感知的设计

    本文针对自主行驶场景下的语义分割问题进行了调研，从模型开发、RGB-D 数据集集成、时域信息模型三个方面讨论了目前最相关和最新的深度学习方法，旨在为读者提供关于这一激动人心和具有挑战性的研究领域的最新进展。

    Mar, 2023

  • 自主驾驶的深度多模态物体检测和语义分割：数据集、方法和挑战

    本文介绍了最近在深度学习领域取得的自主驾驶感知技术。对于实现强大而准确的场景理解，自动驾驶车辆通常配备多种传感器 (例如相机、激光雷达、雷达)，并且可以将多种感知模式融合以利用它们的互补性。然而，网络架构设计方面缺乏通用指导方针，关于 “何时融合” 和 “如何融合” 等问题仍然存在争议。本文系统地总结了方法学和讨论了自主驾驶中深度多模式对象检测和语义分割的挑战。

    Feb, 2019

  • 城市自动驾驶应用的概率语义地图

    本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

    Jun, 2020

  • 自动化评估自动驾驶语义分割鲁棒性

    本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

    Oct, 2018

  • FedDrive: 自动驾驶中的语义分割泛化联邦学习

    该研究提出了 FedDrive，这是一个新的基准，利用统计异质性和域普适性等真实世界挑战来评估联合学习在车辆语义分割中的应用，研究通过深入分析来评估目前的联合学习算法。

    Feb, 2022

  • 自动驾驶的标签高效视觉抽象

    研究降低语义分割标注成本对行为克隆代理学习的影响，发现利用视觉抽象表示可实现更佳的标注效率和驾驶性能，并发现了其他训练优势。

    May, 2020

  • 基于 GAN 的深度监督语义分割方法

    本研究提出了一种改进的语义分割模型，将对抗学习的优势与最先进的语义分割技术相结合，以捕捉交通图像中复杂而微妙的特征，通过在道路裂缝数据集上与现有方法（如 SEGAN）相比的显著性能提升来证明方法的有效性，提供了更精细和准确的道路结构和状况的表示，为道路裂纹的检测以及智能交通中的交通标志识别、车辆检测和车道分割等广泛应用做出了贡献。

    Oct, 2023

  • 自动驾驶的语义分割：模型评估、数据集生成、视角比较和实时性能

    研究了在自动驾驶汽车中使用的感知方法，发现 FasterSeg 模型在实时低功耗计算设备上运行速度快，并通过比较第一人称和鸟瞰图的准确性和速度，得出 FasterSeg 模型在两种视角的 mIoU 结果并提出了一种生成合成数据的简单方法，并在目标硬件上比较了两种视角的帧率和精度。

    Jul, 2022

  • 基于深度学习的三维分割：一份调查报告

    综述了近期基于深度学习的三维物体分割，涵盖了 150 多篇文章，总结了最常用的算法流程、讨论了它们的优缺点，并分析了这些分割方法的竞争结果，最后提出了未来的研究方向。

    Mar, 2021