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

该研究使用去卷积神经网络解决道路场景语义分割问题，提出了一个多域道路场景数据集，并通过新的训练策略实现对内存受限的目标网络（T-Net）的知识传递，使其在使用不到1％的内存的情况下实现比FCN更好的准确性。

Apr, 2016

该研究利用领域随机化和对抗生成网络在模拟环境中训练工业电器零件的近实时目标检测器。结果显示，使用合成图像和GAN翻译的图像进行训练可以在检测和分类一组工业电器零件中达到超过0.95的平均精度。

May, 2018

本文提出一种新的无监督领域自适应模型，通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题，同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法，通过实验证明了本方法的鲁棒性和优越性。

Sep, 2018

本文提出了LaserNet，一种3D物体检测的计算有效方法，它通过在传感器的本地范围视图中处理LiDAR数据来提高效率，并使用全卷积网络来预测每个点的3D框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

Mar, 2019

利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

Jul, 2019

该研究提出了一种基于 GAN 的算法来生成未见过的摄像头污染图像，并自动提供相应的污染掩码，从而消除了手工注释的成本。它对训练期间的图像进行了增强，其准确性提高了 18％，证明了其有效性。

Dec, 2019

本文提出在未经校正的鱼眼图像上运行的多任务视觉感知网络来加强自动汽车系统的六个主要任务，其中包括深度估计，视觉测距，语义分割，动态分割，目标检测以及镜头污染检测，通过联合训练模型，在KITTI数据集上实现深度估计和姿态估计任务的最新结果。

Feb, 2021

本文概述了深度神经网络在自动驾驶中的应用，介绍了无监督领域自适应的多种方法和针对不同方法的现有研究，提出了该领域的最新趋势和未来方向，并鼓励科学家探索更好的神经网络泛化方法。

Apr, 2023

这篇研究论文介绍了一种使用深度学习和图像处理技术进行坑洼检测的新方法，提出的系统利用VGG16模型进行特征提取，并采用自定义的具有三重损失的Siamese网络（称为RoadScan），以解决道路上的坑洼问题对道路使用者的重大风险。

Aug, 2023