Dec, 2019

基于GAN的数据增强在自动驾驶摄像头镜头污染检测中的应用

HTML
PDF
TL;DR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。
发现论文，激发创造
  • SoilingNet：基于汽车环视摄像头的污染检测

    该研究证明了使用CNN和GANs的架构来准确检测自动驾驶系统中经常遭受污染的环视摄像头所拍摄的图像，并演示了将该任务与现有物体检测任务相结合的多任务学习框架。

    May, 2019

  • 自动驾驶中基于 GAN 的 LiDAR 传感器建模和数据增强

    通过CycleGANs从未配对的数据中进行图像转换，以实现从模拟LiDAR到真实LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实LiDAR（real2real）的生成以及使用鸟瞰图和极坐标2D表示法处理LiDAR 3D点云。实验结果表明，该方法具有很高的潜力。

    May, 2019

  • 使用完全合成数据进行雾天场景的语义理解

    本文提出了一种使用全新的纯合成数据进行实时雾天交通场景视觉分割的方法，并展示了其在真实数据上的适用性和与以往方法的对比优势。

    Oct, 2019

  • 恶劣天气下的视觉：利用CycleGAN和各种目标检测器进行增强，实现自主赛车中的鲁棒感知

    通过使用CycleGAN合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了42.7和4.4 mAP百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

    Jan, 2022

  • WEDGE：基于生成视语模型构建的多天气自动驾驶数据集

    为了提高自主感知的对抗鲁棒性，我们介绍了一个由视觉语言生成模型生成的合成数据集WEDGE（WEather Images by DALL-E GEneration），该数据集包含16种极端天气条件下的3360张图像，支持天气分类和2D物体检测的研究。通过WEDGE，我们建立了基线性能，分类和检测的准确率分别达到了53.87％和45.41 mAP，并且WEDGE能够用于调节先进的检测器，如卡车类，使SOTA性能在现实天气基准测试（例如DAWN）方面提高4.48个AP。

    May, 2023

  • Urban-StyleGAN: 学习生成和操作城市场景的图像

    通过新型神经网络Urban-StyleGAN，使用分组策略和无监督潜在空间探索算法，实现了更好的城市场景生成和内容控制。

    May, 2023

  • 自动驾驶环境中，当前降雨去噪模型为何在CycleGAN生成的降雨图像上失效

    本文探讨了自动驾驶中如何应对由光学传感器收集的噪声数据对自主决策产生的影响，并提出了一种用生成对抗网络产生虚拟雨天图像并训练降雨去噪模型的方法，但该方法还需进一步改进。

    May, 2023

  • 通过图像增强改善恶劣天气下的自动驾驶车辆感知能力

    本研究解决了自动驾驶车辆在恶劣天气条件下感知性能不足的问题，提出在语义分割训练过程中应用图像增强技术，以提升模型对多种天气条件的适应能力。研究发现，虽然在恶劣天气夜间条件下，应用增强技术显著提高了分割效果，但与天气数据训练的模型相比，增强数据训练的模型在晴朗天气外的情况下表现较低，表明领域适应方法仍有提升空间。

    Aug, 2024

  • 全天气网络：统一图像增强方法用于恶劣天气和低光条件下的自动驾驶

    本研究解决了恶劣天气和低光条件对自动驾驶感知系统造成的图像质量下降问题，现有方法效果有限且多聚焦于单一条件。我们提出的全天气网络采用新颖的层级架构和可扩展的照明感知注意力机制，提升了图像质量，使得自动驾驶的语义分割性能提高了最高5.3%。此外，该模型在未知领域的推广能力表现出色，提升了最高3.9%的mIoU。

    Sep, 2024

  • SurfaceAI：基于开放街景图像的连贯路面质量数据集的自动创建

    本研究针对交通安全与舒适性问题，提出了SurfaceAI，一个从开放街景图像中生成全面地理参考路面类型和质量数据集的管道。通过利用众包的Mapillary数据训练模型，SurfaceAI能够有效预测街道图像中的路面状况，为基础设施建模和分析提供了重要的数据支持。

    Sep, 2024