Aug, 2019

在未知挑战环境中使用多样的场景检测方法的 DEDUCE

PDF
TL;DR本文提出了一组基于场景识别系统和物体检测器的深度融合模型的算法，旨在实现 Home Service Robotics 的自主导航，通过 DEDUCE 算法组内的 5 种方法，在多个数据集上和实际情况下获得了超过现有 SOTA 视觉定位识别系统的性能提升。
service robotstrainingsemantic informationscene detectionvisual place recognition
发现论文，激发创造
  • 未知杂乱环境中的机器人主动神经感知与规划

    本篇研究提出了一种主动感知的机器人模型，通过视觉观测、场景建模以及物体形状推断，生成机器人示意图的可行运动路径，以达到在未知，复杂环境下收集足够视觉观测数据的目的。基于人工合成的数据集，实现了在实际狭小、遮盖的环境中进行物体还原的过程，并证明了其在规划和视角数等方面的高效性。

    Aug, 2022

  • 机器视觉场景理解挑战赛

    利用模拟技术和新的测试方法，提出了一种用于测试具有主动机器人视觉系统的场景理解系统的标准挑战，旨在推动场景理解领域的最新研究。

    Sep, 2020

  • 智能选择：自适应多模态融合在不稳定环境下的物体检测

    我们提出了一种自适应融合方法，使用多种传感器，通过卷积神经网络专家的混合来学习权衡不同传感器的预测，该方法可适应于不同光照和摄像机运动模糊等影响。我们测试了该方法在室内和室外的人体检测，并证明了其可适应困难环境，同时，我们还提出了一个新的混合室内外环境中的 RGB-D 数据集，可供参考。

    Jul, 2017

  • SeaDSC：一种基于视频的无监督方法用于无人水面船只的动态场景变化检测

    我们的研究主要探讨了海洋视觉中的场景变化检测，在这项工作中，我们利用计算机视觉技术结合非监督学习的方法，通过使用多个海洋数据集进行模型训练，提出了一种基于相似度评分的动态场景变化检测技术，实验证明了其高效的性能。

    Nov, 2023

  • 基于多模态传感器融合的深度神经网络用于端到端自主驾驶和场景理解

    本研究旨在利用深度学习和多模态传感器融合技术提高端到端自动驾驶的性能和泛化能力，通过同时实现场景理解和车辆控制命令的像素级语义分割来测试该深度学习驱动的自动驾驶模型在高度逼真的仿真城市驾驶条件下的性能和通用能力，结果显示，该模型定位和避障等任务的成功率强于先前的模型，并验证了多模态传感器融合和场景理解子任务的协同作用提高了模型的性能和可行性。

    May, 2020

  • 视障人士导航中的地面提取与门检测

    建议利用传感器和算法的组合，建立一个适用于视障人士的导航系统，该系统基于传统的 RGB-D 相机，结合鱼眼相机的信息，提供了对环境的鲁棒性与可靠性，使用户能够规划路径并避开障碍物。

    Jan, 2024

  • nuScenes：自动驾驶的多模态数据集

    本文介绍了 nuTonomy 场景数据集，其中包含了自动驾驶车辆所有的传感器：6 个相机，5 个雷达和 1 个激光雷达，每个场景长达 20 秒，并标注了 23 个类别和 8 个属性的三维边界框。同时，定义了新的 3D 检测和跟踪指标，并提供了激光雷达和基于图像的检测和跟踪的基线。

    Mar, 2019

  • 自主智能体的 2.5/3D 室内场景理解：一份综述

    本文系统地总结介绍了低成本稳定的 2.5/3D 视觉感知器件在计算机视觉领域中如何应用于室内环境中的视觉场景理解，包括数据表示，核心技术，场景理解任务，性能评价以及面临的挑战。

    Mar, 2018

  • U4D: 无监督 4D 场景动态理解

    这篇论文提出了使用多视角视频进行无监督 4D 视觉场景理解的方法，可以同时估计每个像素的具体模型和实例级别分割，并利用最近的 3D 姿势估计技术约束联合语义实例分割和 4D 时间上连贯的重建，以能够精准地分割多个动态场景中相互作用的人，实验表明与现有方法相比，语义分割、重建和场景流的准确性都显著提高了大约 40%。

    Jul, 2019

  • ADE20K 数据集场景语义理解

    本研究介绍并分析 ADE20K 数据集及其相关的 Cascade 分割模块，用于场景解析并在语义分割网络中实现显著提升。同时，发现在 ADE20K 数据集训练的场景解析网络可以应用于各种不同场景和对象。

    Aug, 2016