从注意力聚合到对抗域自适应:改善道路坑洼检测的方法
本篇论文介绍了一种精确可靠且计算效率高的路面坑洞检测算法,该算法基于非常密集的视差图,利用双黄金分割搜索和动态规划来估计转换参数,然后通过二次曲面拟合表征提取潜在未受损路面区域,通过随机抽样共识算法减少异常点带来的干扰,最后利用重建的三维路面模型提取检测的路面坑洞点云。实验结果表明,该方法的成功检测率约为 98.7%,整体精度约为 99.6%。
Aug, 2019
这篇研究论文介绍了一种使用深度学习和图像处理技术进行坑洼检测的新方法,提出的系统利用 VGG16 模型进行特征提取,并采用自定义的具有三重损失的 Siamese 网络(称为 RoadScan),以解决道路上的坑洼问题对道路使用者的重大风险。
Aug, 2023
道路路面检测和分割是开发自主道路修复系统的关键,然而,由于道路路面图像的纹理简单、缺陷几何的多样性以及类别之间形态的模糊性,同时执行多类别缺陷检测和分割的实例分割方法具有挑战性。我们提出了一种新颖的端到端方法,用于多类别道路缺陷检测和分割,该方法包括多个空间和通道注意力块,可用于学习跨空间和通道维度的全局表示。通过这些注意力块,可以学习到更加全局化的道路缺陷的形态信息(空间特征)和图像的颜色和深度信息。为了证明我们提出的框架的有效性,我们在一个新收集的用于九种道路缺陷类别注释的数据集上进行了各种消融研究和与先前方法的比较实验。实验结果显示,我们提出的方法优于现有的多类别道路缺陷检测和分割方法的最新方法。
Feb, 2024
本文介绍了二 / 三维道路数据获取的传感系统(相机、激光扫描仪和微软 Kinect),并全面综述了用于道路坑洞检测的最先进计算机视觉算法,包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法,同时讨论了现有挑战和未来发展趋势。
Apr, 2022
本文提出了一种基于无监督视差图分割的道路损伤检测算法,该算法使用 Otus 方法对变换后的视差图进行分割,并可提取受损道路区域,实验结果表明该算法在像素级道路损伤检测方面的准确率达到了 97.56%。
Oct, 2019
本研究提出一个无监督领域适应策略 --AdaDepth,通过对抗式学习和对齐源域和目标域表征的显式强制内容一致性,克服了使用合成数据集时可能出现的领域适应问题,在单目深度估计任务中表现出与其他方法具有竞争力的性能并在半监督设置中实现了最先进的结果。
Mar, 2018
提出一种通过超分辨率生成对抗网络 (SRGAN) 使用低分辨率相机或图像和视频流进行自动坑洞检测的算法,并使用 You Only Look Once (YOLO) 网络在低质量和高质量的车载摄像头图像上建立基线坑洞检测性能,然后通过图像增强的方式提高速度和准确性。
Nov, 2023
本文提出一种新的域自适应方法:Adversarial Domain Feature Adaptation (ADFA),该方法通过训练编码器生成与白天图像相似的夜间图像特征,并使用预训练的深度解码器进行深度估计。实验证明,该方法在处理夜间图像的深度估计和视觉地点识别问题上效果显著。
Oct, 2020