自动驾驶的标签高效视觉抽象
本文介绍了一种用于分析语义分割模型稳健性的新方法,并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器(lidar)以自动化处理过程,消除了验证数据的手工标注需求。实验结果表明,语义分割模型的性能因天气、相机参数、阴影等因素而异,并演示了如何在改进模型后比较和验证各种网络的性能。
Oct, 2018
提出一种半自动化的方法,利用估计的 3D 道路平面投影所有图像序列中的标签,以实现图像序列的高效标注,平均每张图像的标注时间缩短到了 5 秒,无需使用昂贵的传感器设备,同时发布了一个包含 24,000 张图像的数据集并展示了实验结果。
Jul, 2018
本文针对自主行驶场景下的语义分割问题进行了调研,从模型开发、RGB-D 数据集集成、时域信息模型三个方面讨论了目前最相关和最新的深度学习方法,旨在为读者提供关于这一激动人心和具有挑战性的研究领域的最新进展。
Mar, 2023
研究了在自动驾驶汽车中使用的感知方法,发现 FasterSeg 模型在实时低功耗计算设备上运行速度快,并通过比较第一人称和鸟瞰图的准确性和速度,得出 FasterSeg 模型在两种视角的 mIoU 结果并提出了一种生成合成数据的简单方法,并在目标硬件上比较了两种视角的帧率和精度。
Jul, 2022
通过使用卷积神经网络和激光雷达数据,本研究旨在提高图像分割的效率,特别是在自动驾驶系统中的道路表面分割任务中,通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。
Nov, 2023
本文介绍了一种多模态自动标注流程,可以生成用于训练开放式类别的无标注 3D 边界框和轨迹,从而处理自动驾驶等安全关键应用中可能在部署后遇到的新物体类型。相比于当前领域的最新研究,我们的方法可以以无监督的方式处理静态和移动的对象,并通过提出的视觉 - 语言知识蒸馏方法输出开放式词汇的语义标签。基于 Waymo 开放数据集的实验证明,我们的方法在各种无监督 3D 感知任务上显著优于先前的工作。
Sep, 2023
本研究探讨了结合实际图片和虚拟对象的增量学习方法,通过少量用户交互的方式,将虚拟对象添加到实际图片中,从而提高物体实例分割模型的性能。通过在 KITTI 2015 和 Cityscapes 数据集上的实验结果表明,增量学习方法可以显著提高实例分割和物体检测模型的泛化能力。
Aug, 2017
该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法,使用 superpixels 来池化 3D 点特征和 2D 像素特征,训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征,从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测,进行了大量的自动驾驶数据集实验以证明其有效性。
Mar, 2022