鱼眼图像人脸和物体检测数据集
本文介绍了一种针对鱼眼摄像头的开放式 FishEye8K 基准数据集,用于道路物体检测任务,该数据集包含五个类别,涵盖了 157K 个边界框。同时,本文还评估了基于弱监督和无监督策略的最新优秀模型,以及在该数据集上的实验结果。
May, 2023
本研究主要探讨了在自动驾驶场景中,鱼眼相机的目标检测问题。由于图像边缘的强烈径向失真,标准边界框方法无法很好地处理鱼眼相机的数据。因此,我们提出了一种新的多边形模型,并在比较多种检测方法时使用 IoU 度量来评估多边形模型的性能。通过使用一些先进的方法,包括基于曲率的多边形采样方法,我们设法在误差方面取得了重大进展。我们的方法大大提高了 mIoU 的相对准确度,并可以通过公共数据集进行验证。
Dec, 2020
本研究提供一个实际的室内 360 度全景物体检测数据集(360-Indoor),包含 37 个操作室内场景中常见的物体类别,每张图像平均 27 个包围盒。该数据集是首个用于验证 360 度图像上物体检测和识别的基准数据集。
Oct, 2019
自动驾驶中的物体检测是一个成熟的问题,但对于用于环视近场感测的鱼眼相机,物体检测相对较少探索。我们设计了旋转边界框、椭圆、通用多边形等表示方式,并提出了实例分割的 mIOU 指标来分析这些表示方式。提出的 FisheyeDetNet 模型使用多边形优于其他方法,在 Valeo 鱼眼环视数据集上达到了 49.5%的 mAP 得分。据我们所知,这是关于自动驾驶场景下鱼眼相机物体检测的首个详细研究。
Apr, 2024
本文介绍了一个大规模 360 度视频数据集,包含各种环境和上下文,以及相机的姿态和深度图,证明了该数据集在单一图像深度估计和视图合成两个主要任务中的相关性。
Jun, 2024
本文介绍了 2022 年 CVPR OmniCV 工作坊上,我们提出的针对鱼眼摄像头目标检测的 WoodScape 比赛,共有来自全球 120 个队伍的 1492 个提交。我们对赢家的方法进行了定性和定量分析,并详细讨论了比赛的细节。
Jun, 2022
本文研究探索了如何利用 360° 图像进行视觉目标的追踪,并介绍了由于大变形、拼接伪影和其他独特属性所带来的新挑战。为了解决这些问题,文中提出了一种新颖的目标定位表示方式 —— 边界视野,并引入了一个通用的 360° 追踪框架,该框架可以用于全向追踪。此外,为了促进未来的研究,作者提出了一个新的大规模全向追踪基准数据集 ——360VOT,其中包含 120 个不同场景中的序列,共有 113K 个高分辨率的等距投影帧。追踪目标涵盖 32 个类别。另外,作者还提供了 4 种无偏的基准数据,包括(旋转的)边界框和(旋转的)边界视野,并提出了适用于 360° 图像的新度量标准,以便对全向追踪性能进行准确评估。最后,作者还对 20 种最先进的视觉追踪算法进行了广泛评估,并为未来的比较提供了新的基准。
Jul, 2023
该研究发布了首个大规模的鱼眼汽车数据集 WoodScape,其中包括四个全景相机和九个任务,为超过 10,000 张图像提供了 40 种类别的语义实例注释以及其他任务的注释超过 100,000 张图像,鼓励社区采用计算机视觉模型进行鱼眼相机而不是使用朴素的矫正方法。
May, 2019
提出了一种新颖的方法,结合基于变压器的图像增强框架和集成学习技术,解决城市交通监测系统中基于鱼眼镜头相机的问题,提高了系统的有效性和准确性,为智能交通管理系统的未来作出了重要贡献。
Apr, 2024
360° 全景视频中的视觉目标跟踪和分割是挑战性的,该论文提出了一种新的扩展视野边界表示方法,用于目标定位,并且利用该方法建立了一个适用于全景视觉目标跟踪和分割任务的通用框架。此外,论文还介绍了一个全面的数据集和基准测试集,用于开发和评估该领域的算法。经过广泛的实验,论文评估了最先进的方法,证明了提出的 360° 跟踪框架和训练数据集的有效性。
Apr, 2024