CVPRDec, 2018

复杂道路场景的参数化俯视图表示

PDF
TL;DR本文提出了一种基于顶视图表示的路面布局参数化模型，通过构建此模型及使用深度神经网络、模拟数据等方法，可以有效地推断路面场景并实现定量分析。
road scenestop-view representationdeep neural networksimulated dataconditional random field
发现论文，激发创造
  • 弱而深地监督的遮挡推理参数化路面布局

    本文提出一种端到端的网络模型，该模型仅需要较为便宜的人工注释即可在复杂路况下的单个透视 RGB 图像上产生基于遮挡的透视空间布局和参数化鸟瞰图，并用了归纳偏差来学习遮挡推论、几何变换和语义抽象等方面，经测试该方法有效且仅需较少的人工干预。

    Apr, 2021

  • 学习环视物体，以生成室外场景的俯视图表征

    研究了一个新的问题，即从复杂的室外道路场景的透视视图中估计遮挡推理的语义场景布局，提出了一种卷积神经网络方法，根据前景物体（如汽车或行人）周围的信息来预测场景布局的遮挡部分，直接预测遮挡区域的深度和语义能更好地转换成俯视图，模型的训练不需要昂贵或主观的人工标注。

    Mar, 2018

  • 从视频中全局理解道路布局

    本文针对复杂道路场景的视频序列，提出了一个模型，通过利用摄像机运动、上下文线索和全局时序信息等多个方法，推断出一组准确、一致的路属性，实验结果表明，该模型在道路场景推断方面具有较高的性能表现。

    Jul, 2020

  • 通过前向上视图投影实现单目 BEV 道路场景感知

    提出基于前视单目图像的局部鸟瞰地图重建新框架，利用前向到俯视图像变换（FTVP）模块中的多尺度设计和周期性一致性约束，实现低成本高效的道路与汽车区域感知以及多类别场景理解。在公共基准测试中，该方法在道路布局估计，车辆占用估计和多类别语义估计任务中均达到了最先进的性能，并且在多类别语义估计中优于所有竞争对手。

    Nov, 2022

  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016

  • 使用基于超像素的 CNN 和 CRF 模型实现高效细粒度道路分割

    本文提出了一种使用 CNN 和 CRF 相结合的方法进行道路场景分割，采用超像素为 CNN 的输入基础，使计算效率更高，在保持较快运行速度的同时，在 KITTI 路标准测试中取得了可比拟的性能，适合于实时应用

    Jun, 2022

  • 基于布局导向的多视角驾驶场景视频生成与潜在扩散模型

    通过 DrivingDiffusion 框架，在复杂的城市场景中生成大规模、逼真的多相机自动驾驶视频，无需额外成本。

    Oct, 2023

  • 交通场景的深层表示学习与聚类

    本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

    Jul, 2020

  • 驾驶场景的拓扑推理

    TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

    Apr, 2023

  • 从单个车载摄像头图像中保持拓扑结构的本地道路网络估计

    该研究旨在从单个摄像头图像中直接提取局部道路网络拓扑，使用最小回路及其覆盖来表示道路拓扑，以监督深度神经网络的学习，以实现自主规划和导航。结果表明，与基准相比，该方法在 NuScenes 和 Argoverse 基准测试上的表现显著优越。

    Dec, 2021