Jun, 2020

二值化自动驾驶可行驶区域检测网络：Binary DAD-Net

PDF
TL;DR本研究提出了一种新的二元化驾驶区域检测网络（Binary DAD-Net），可用于自动驾驶汽车中的障碍物检测和操作规划，具有高效的模型和自动生成的数据集，且相比精确模型，在 FPGA 上计算复杂度降低了 14.3 倍，仅需要 0.9MB 内存资源。
autonomous drivingdriveable area detectionbinary dad-netsemantic segmentation networksfpga
发现论文，激发创造
  • DSNet 实时驾驶场景语义分割

    本文提出了一种强大且高效的深度神经网络驾驶场景语义分割模型 DSNet，通过 ShuffleNet V2 和 ENet 的启发式设计，以及实现的 Driving Importance-weighted Loss 作为考虑驾驶决策的重要因素，等方面提高准确率和实时性。在 Cityscapes 数据集上的实验结果表明 DSNet 比 ENet 的准确率提高了 18.9％，速度提高了 1.1 倍，具有应用于自动驾驶的巨大潜力。

    Dec, 2018

  • 通过知识迁移训练用于自动驾驶的二进制权重目标检测器

    提出知识转移方法来辅助训练二值权重神经网络，以实现自动驾驶的实时目标检测，通过该方法可以在保持高检测准确率的同时，将 DarkNet-YOLO 和 MobileNet-YOLO 的模型大小分别从 257 MB 和 193 MB 压缩为 8.8 MB 和 7.9 MB。

    Apr, 2018

  • 交通标志识别的二值化神经网络架构设计

    研究比较卷积神经网络和二值神经网络在识别交通标志上的表现，提出了一种从底层进行二值神经网络架构设计的方法，并且在测试集上取得了高于 80% 的准确率。

    Mar, 2023

  • 自主车辆感知的检测分割卷积神经网络

    通过对三种不同的网络体系结构进行实验，我们证明了多任务 V3 对于物体检测和区域分割的性能最佳，可在自动驾驶车辆的嵌入式感知系统中具有实用性。

    Jun, 2023

  • 自动驾驶中双向紧凑空间可分离网络用于避免碰撞

    本文提出一种基于 CNN 和 Bi-LSTM 的自动驾驶决策方法，在序列图像的不同区域之间建立特征相关性来实现避撞，通过摄像头和 LiDAR 传感器生成 “鸟瞰图”，并通过实验表明该方法优于现有的基于视觉的策略，成功率显著提高，同时为自动驾驶提供了有前途的解决方案。

    Mar, 2023

  • DAD++：改进的零数据测试时间对抗防御

    提出了一个基于数据无关性的测试时间对抗防御 (DAD) 框架，包含检测和纠正机制。此外，提出了一种软检测方案 (DAD++) 来进一步提高纠正机制在探测器低自信度情况下的有效性。在多个数据集和网络架构上进行了广泛的实验和分析，证明了所提方法的功效。同时表明，在数据无关或数据有效的应用中，我们的 DAD++ 在各种对抗性攻击下表现出出色的性能，并且干净准确率下降很小。

    Sep, 2023

  • 用于实时准确地对道路场景进行语义分割的深度双分辨率网络

    提出了一组高效的卷积神经网络骨干架构，通过双分辨率融合和深度上下文聚合金字塔池化模块，实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。

    Jan, 2021

  • BDC-Occ: 二值化占据网络的二值化深度卷积单元

    通过引入一种新型的二值化深度卷积单元（BDC），有效提高了性能，同时增加了二值化卷积层的数量，从而构建了一种全新的二值化三维占用网络算法（BDC-Occ），该算法已经在综合定量和定性实验证明是目前最先进的二值化三维占用网络算法。

    May, 2024

  • BiDet：一种高效的二值化物体检测器

    本研究提出了一种名为 BiDet 的二值化神经网络学习方法，通过信息瓶颈原理的泛化，学习稀疏的物体先验，以消除信息冗余并改善误检测，从而实现高精度的物体检测。

    Mar, 2020

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

    Mar, 2024