Oct, 2018

城市交通中行人动作和意图识别

PDF
TL;DR本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。
pedestrian action recognitionurban trafficmachine learninghead orientation predictionjaad dataset
发现论文，激发创造
  • 单目视频中行人动作的识别和三维定位

    本论文旨在通过单目行人动作识别和以自我为中心的视角进行的 3D 定位，预测行人意图和行动轨迹，通过使用传统 JAAD 和 KITTI 数据集以及 H3D 驾驶数据集的定性测试，展示了所提出的行动识别框架和定位方法的有效性和优越性。

    Aug, 2020

  • 行人过马路行为预测的意图和行动耦合

    研究人员通过使用多任务网络和注意力关系网络，成功预测了未来行人动作，并将该预测作为先验来检测当前意图和行为，从而显着提高了交通安全性。

    May, 2021

  • 基于 3D 人体关键点的行人过街动作识别和轨迹预测

    提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹，利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息，同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证，证明了该方法在多种评估指标上实现了最先进的性能。

    Jun, 2023

  • 基于时空 DenseNet 的自主地面车辆的行人实时意图预测

    本文提出了一种基于图像序列的单目 RGB 相机的实时框架，使用区别于基线方法的跟踪 - 检测技术和创新的时空 DenseNet 模型识别、跟踪和预测行人在城市交通环境中的意图和动作，以实现对自主地面车辆行为的理解。实验表明，该方法在实时性和效果方面比其他基线方法更具鲁棒性和竞争力，平均精度得分为 84.76％，帧率为 20FPS。

    Apr, 2019

  • 学习行人动作以确保安全自动驾驶

    研究 AV 预测行人短期和即时行为的不足，提出了一种基于 TF-ed 架构的新型多任务序列到序列解码器，用于只使用自车摄像机观测作为输入的行人动作和轨迹预测。在公开可用的 JAAD 数据集、CARLA 仿真数据以及校园实时无人驾驶班车数据上评估该方法，结果显示该方法在 JAAD 测试数据上的行为预测任务准确率为 81％，优于 LSTM-ed 7.4％，然而 LSTM 的姊妹机在长度为 25 帧的预测序列任务中表现更好。

    May, 2023

  • 利用特征融合和时空注意力预测行人过路意图

    该研究提出一种采用注意力机制和递归神经网络融合序列 RGB 影像、语义分割掩码和自车速度的神经网络结构，用于预测行人过马路意图，从而解决全局时空上下文与融合传感器数据的最优策略问题，实现了针对自动驾驶系统中行人行为预测的最优性能。

    Apr, 2021

  • 行人意图预测的局部和全局情境特征融合

    该研究使用计算机视觉和多模态特征识别，以实现自主车辆与行人之间的安全互动，并在 JAAD 数据集上展示了比现有技术更优秀的预测结果。

    May, 2023

  • 混合交叉口场景下的意图感知决策

    本文提出了一种针对行人和自动驾驶汽车在无红绿灯的过街场景中交互的白盒意图感知决策方法，并提供了一个设计框架。作者采用黑盒意图检测和白盒决策的混合方法实现了类人行为和预防死锁，此方法计算量低并能考虑不同的行人行为。

    Mar, 2023

  • 行人是否会横穿道路？通过 2D 姿态估计来回答

    通过使用 CNN 的 2D 姿态估计技术，我们成功地确定了行人的意图，如穿过车道，停在行人路口之前并开始行走或弯曲，这是基于非自然序列（Daimler 数据集）的结果，使用 JAAD 数据集进行评估，提出了一种结合了 CNN 的行人检测、跟踪和姿态估计的方法以预测单眼图像中的人的穿越动作，并取得了新的最高水平结果。

    Jul, 2018

  • 智慧城市交通系统事故检测中的动作识别综述

    本篇论文通过对不同来源交通视频的分析与实验，提出了一种基于行为识别的自动化交通监控和事故检测系统，旨在提高公共交通安全和城市治理水平。

    Aug, 2022