行人模式数据集
我们设计了一个便携的数据采集系统,结合了自主标注流水线,通过一个标签修正的网络应用来实现对自动行人跟踪结果的人工验证,在多个环境下实现大规模数据采集和快速轨迹标签生产。与现有行人数据采集方法相比,我们的系统具备了自上而下和自我中心视图的组合、在社交适宜的 “机器人” 情境下的自然人类行为以及基于度量空间的经过人工验证的标签,是第一个同时集成这三个组成部分的数据采集系统。我们进一步介绍了我们正在进行的数据采集工作的不断扩展的数据集 ——TBD 行人数据集,并展示了与具有人工验证标签的先前数据集相比我们采集的数据更大规模、包含更丰富信息,并支持新的研究机会。
Sep, 2023
本文介绍了一种基于自主行车的防撞技术,包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明,系统能够准确地预测目的地和轨迹。
Jun, 2017
通过 Parking Pedestrian Dataset(PPD)提供的大规模鱼眼数据集,本文介绍了针对真实世界行人,特别是有遮挡和多样的姿势进行研究的行人检测基线,并引入了两种数据增强技术,通过增强原始数据集的多样性来改进基线模型,广泛的实验证实了我们新颖的数据增强方法对基线和数据集的卓越泛化能力。
Sep, 2023
本文介绍了迄今为止最大的自动驾驶运动预测数据集,其中包括来自 20 辆自动驾驶车辆在 Palo Alto, California 沿固定路线收集的超过 1000 小时的数据,可帮助提高自动驾驶领域的性能。
Jun, 2020
该论文介绍了一个新的交通数据集 I see you,该数据集解决了当前数据集不覆盖近事故场景等问题,使用 YOLOv5 和相机标定方法获取了秘鲁库斯科七个路口的 170 个近事故交通场景数据,该数据集及其代码已经发布于 Github。
Nov, 2022
本文提出了一种通过引入合成数据来构建深度虚拟到现实蒸馏框架,以实现对真实数据中行人过马路的预测,该框架能够从合成视频中获取大量行人运动的信息,在真实交通世界的预测任务中表现出极高的性能表现。
Nov, 2022
本文提出了一种新的基于 2D 卷积模型的行人轨迹预测方法,采用了高效的数据表示和强大的数据增强技术,在 ETH 和 TrajNet 数据集上实现了最优结果。另外,对于以前用于建模社交信息的占据方法进行了实验性探究,并得出这些方法无法捕捉社交交互的经验结论。
Oct, 2020
本文提出了一种基于图像序列的单目 RGB 相机的实时框架,使用区别于基线方法的跟踪 - 检测技术和创新的时空 DenseNet 模型识别、跟踪和预测行人在城市交通环境中的意图和动作,以实现对自主地面车辆行为的理解。实验表明,该方法在实时性和效果方面比其他基线方法更具鲁棒性和竞争力,平均精度得分为 84.76%,帧率为 20FPS。
Apr, 2019
本篇论文提出使用单个车载摄像头的深度学习方法预测行人轨迹,通过引入可扩展的机器注释方案来解决训练数据不足的问题,并提出了动态轨迹预测器(DTP)来预测未来一秒的行人轨迹,实验证实了该模型的好处。
May, 2019