ICCVApr, 2019

Gaussian YOLOv3：一种使用局部化不确定性准确快速检测自动驾驶对象的方法

PDF
TL;DR本文提出了一种通过使用高斯参数建模和重新设计损失函数来提高 YOLOv3 的检测精度以及一种用于预测位置不确定性以指示 bbox 可靠性的方法。经过 KITTI 和 Berkeley deep drive (BDD) 数据集测试，与传统的 YOLOv3 相比，所提出的算法 (Gaussian YOLOv3) 在保持实时检测速度 (42 帧 / 秒) 的同时，将平均精度提高了 3.09 和 3.5 个点。因此，本研究提出的算法是自动驾驶应用中最合适的检测算法。
发现论文，激发创造
  • 为自动驾驶学习一种具有不确定性意识的目标检测器

    本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

    Oct, 2019

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • 基于改进 YOLOX 的路面物体检测算法研究

    本篇论文探讨了基于 YOLOX 算法的 DecIoU 边界框回归损失函数和 Push Loss 用于改进路面物体检测问题，并且通过采用动态锚箱机制提升了检测精度，实验在 KITTI 数据集上证明了该方法的有效性。

    Feb, 2023

  • YOLO-Z: 自动驾驶车辆中改进 YOLOv5 小物体检测

    本文研究了如何通过修改 YOLOv5 模型的结构和参数来提高其在自动驾驶赛车中检测小目标的性能，最终提出了一系列新模型 YOLO-Z，并取得了最多 6.9％ 的 mAP 改进。

    Dec, 2021

  • 基于轻量级 YOLO7-tiny 的快速车辆检测算法

    本文提出一种基于 Ghost-YOLOv7 的轻量级车辆检测算法，该算法的宽度为 0.5，而且使用 Ghost convolution 替换了骨干网络的标准卷积以实现轻量级化、提高检测速度，进而增强了特征提取能力、丰富了语义信息并提高了检测准确度。同时，引入坐标注意力机制来抑制环境干扰。该算法的实验表明，相较于原有算法，检测速度提高 27FPS，能够有效降低计算复杂度和参数数量，且在多项指标上表现更好，可用于智能交通系统。

    Apr, 2023

  • 标签不完美：通过标签不确定性提高概率目标检测

    本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明，我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。

    Aug, 2020

  • 基于无锚点物体检测的定位不确定性估计

    本文提出了一种新的 UAD 方法，用于解决锚点法中现有不确定性评估方法的限制，通过在框偏移的四个方向（左、右、上、下）中捕获不确定性，一定程度上解决了现有方法中对异构目标性质的建模不准确、对误差的估计不准确等问题。

    Jun, 2020

  • PP-YOLO: 目标检测器的有效而高效的实现

    该论文开发了一种基于 YOLOv3 的新型目标检测器 PP-YOLO，通过结合多种现有技巧，实现了相对平衡的效果和效率，其准确率达到了 45.2％mAP，帧率为 72.9FPS。

    Jul, 2020

  • YOLO3D: 来自 LiDAR 点云的端到端实时 3D 方向物体边界框检测

    本文介绍一种基于 YOLO v2 算法与 3D 点云技术相结合的方法，能够在自动驾驶中快速、准确地识别 3D 物体边界框，实现了 40 帧每秒的实时性能。

    Aug, 2018

  • 金 - YOLO：通过聚集与分发机制实现高效物体检测

    在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

    Sep, 2023