本文介绍了一个大规模、受控制的、多平台物体识别数据集，命名为 CURE-OR。该数据集用于测试 Amazon Rekognition 和 Microsoft Azure Computer Vision 的性能，并显示它们在具有挑战性的条件下的性能显着降低。此外，作者还研究了物体识别和图像质量之间的关系，并表明，客观质量算法可以在某些光度挑战性条件下估计识别性能。

Oct, 2018

通过定制化的数据增强技术以及包括合成图像生成、几何变换和基于障碍物的增强方法，该研究解决了交通标志识别中的关键挑战：类别不平衡和数据集稀缺。研究结果表明，在交通标志识别模型性能方面取得了显著改进，这对于交通标志识别系统具有重要意义。该研究不仅针对交通标志识别的数据集限制进行了探讨，还提出了适用于不同地区和应用领域类似挑战的模型，为计算机视觉和交通标志识别系统领域迈出了一步。

Jun, 2024

通过使用基于视频游戏引擎的人工注释技术，产生了包含 100 万张图像的高质量路景数据集，从而大幅提升了语义分割网络的训练效率。

Jul, 2018

本研究提出了一种用已有数据集进行数据注释以生成多模态数据的方法，以优化智能车辆系统中的数据模拟，实现高保真模拟并增加样本多样性并成功改善了语义分割的实验效果。

Aug, 2022

该研究提出了一个挑战性的视频数据集，用于训练缺失交通标志的检测，并提出了一种基于 CueCAn 的方法来改善原始模型的性能。

Mar, 2023

我们提出了一个交通标志解释（TSI）任务，旨在将全局语义相关的交通标志（例如驾驶指令相关的文本、符号和指引面板）翻译成自然语言，为自动驾驶或辅助驾驶提供准确的指导支持。同时，我们设计了一个多任务学习架构来完成 TSI，负责检测和识别各种交通标志，并将其解释成类似人类的自然语言。在中国公路和城市道路的真实场景图像上进行的实验表明，即使标志之间存在复杂的语义逻辑，TSI 任务也是可实现的，而 TSI-CN 数据集和 TSI 架构的源代码将在修订过程后公开发布。

Nov, 2023

本研究引入了一种创新的基于深度学习技术的交通标志识别（TSR）方法，特别强调视觉变换器。实验评估结果表明，该方法在提高预测速度和准确性方面具有显著的效果，为 TSR 算法的精确可靠开发奠定了基础，受益于驾驶辅助系统和自动驾驶汽车。

Apr, 2024

本篇研究检验了强化学习对于交通信号控制中的应用，探讨了其中的挑战与不确定性，提出了需要更多系统性思维的研究来解决这些挑战。

Jun, 2022

公路场景理解在自动驾驶中至关重要，使机器能够感知视觉环境。本文介绍了 RSUD20K 数据集，它由来自孟加拉国道路的超过 20K 张高分辨率图像组成，包含 13 种物体的 130K 个边界框注释。我们的工作在以往努力的基础上显著改进，提供了详细的注释和更复杂的物体。我们对数据集进行了全面的研究，对各种最先进的目标检测器进行了基准测试，并探索了大型视觉模型作为图像注释器。

Jan, 2024

通过应用改进的 MIRNet 模型和 Yolov4 模型，本文解决了低光、噪声和模糊条件下交通标志识别的挑战，并在 GTSRB 数据集上获得了 96.75% 的整体 [email protected]，对于广泛类别的 GTSDB 数据集达到了 100% 的 [email protected]，与最先进的方法相当。

Aug, 2023