空间深度：用于交通场景理解的空间卷积神经网络

AAAIDec, 2017

空间深度：用于交通场景理解的空间卷积神经网络

Spatial As Deep: Spatial CNN for Traffic Scene Understanding

Xingang Pan, Jianping Shi, Ping Luo, Xiaogang Wang, Xiaoou Tang

TL;DR本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络，该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递，从而加强了卷积神经网络 (CNN) 学习结构输出的能力，特别适用于具有强空间关系但较少外表线索的目标识别任务，例如交通车道检测。实验结果表明，与传统的 RNN 和 MRF+CNN（MRFNet）相比，SCNN 可显著提高车道检测数据集的准确度。

Abstract

convolutional neural networks (CNNs) are usually built by stacking convolutional operations layer-by-layer. Although CNN has shown strong capability to extract semantics from raw pixels, its capacity to capture spatial relationships of pixels across rows and columns of an image is not

convolutional neural networks spatial cnn traffic lane detection shape priors message passings

发现论文，激发创造

一种新的特征混淆方法揭示了卷积神经网络学习空间关系的能力

该研究使用特征打乱的方法，结合 CNNs 的最小可识别构型分析和有效接受域尺寸的系统控制，探索了 CNNs 在对象分类中是否使用特征的空间排列，并且发现它们实际上能够利用相对较远的空间关系进行对象分类，同时证明 CNNs 使用的空间关系程度非常依赖于特定数据集和该数据集中不同类别对象的分类策略也不同。最后，研究还发现 CNNs 只能学习特征的中间粒度的空间排列，这提示了在对象分类中中间层次的形状特征提供了敏感度和特异性之间的最佳平衡点。

Dec, 2022

交通网络中时空循环卷积网络用于交通预测

提出了一种基于运动预测领域知识的网络网格表示方法，将网络整体交通速度转换为静态图像，并输入一种新的深度体系结构 —— 时空循环卷积网络 (SRCNs)，可以用于交通预测，实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。

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

基于深度卷积神经网络和 VLAD 空间金字塔的交通场景识别

本文通过将基于区域提案算法生成的图像块的 CNN 特征应用于 VLAD 编码再进行空间金字塔编码，从而实现在 10 种交通场景分类上的应用。

Jul, 2017

SCA-CNN：用于图像字幕的卷积网络中的空间和通道注意力

本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

Nov, 2016

SCNN: 基于一般分布的统计卷积神经网络及其在视频目标检测中的应用

本文提出了一种通过操作相关数字分布的统计卷积神经网络（SCNN）来处理多帧相关图像的方法，实现了显著的速度提升，即使在未经优化的情况下，仍然能实现高达 178% 的加速。

Mar, 2019

城市街景的实时高性能语义图像分割

本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

Mar, 2020

STFCN：用于语义视频分割的时空 FCN

本文提出了一种包括时空特征的方法来解决语义视频分割问题，使用卷积神经网络和长短时记忆结构相结合的深度学习模型取得了 Camvid 和 NYUDv2 数据集的最先进语义分割性能。

Aug, 2016

DeepTransport: 学习交通状况预测的时空依赖关系

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

带有空间先验的卷积补丁网络用于道路检测和城市场景理解

本文介绍了用于图像补丁分类的卷积补丁网络，并展示了如何将补丁的空间信息作为网络输入以学习空间先验知识，从而应用于道路检测和城市场景理解，成为 KITTI 和 LabelMeFacade 数据集上最先进的方法之一，同时为需要训练 CNs 的人提供了解决方案。

Feb, 2015