MMSep, 2020

PIDNet: 用于动态行人入侵检测的高效网络

PDF
TL;DR本研究基于动态 AoI 所捕获的视频帧，使用一种新颖高效的神经网络 PIDNet 进行行人入侵检测的多任务处理。实验结果表明，PIDNet 在该领域首次建立的基准数据集上，可以达到 67.1% 的准确率和 9.6 fps 的推理速度，为未来基于视觉的动态 PID 研究提供了良好的基准。
vision-basedpedestrian intrusion detectiondynamic aoimulti-task deep neural networkcomputational complexity
发现论文，激发创造
  • PIDNet：基于 PID 控制器的实时语义分割网络

    本文提出了一种三支路网络体系结构 PIDNet，能够解决两支路网络体系结构中详细和语境特征混淆的问题，并利用边界关注技术在最终阶段对详细和语境支路进行融合，极大地提高了精度和神经网络处理速度。

    Jun, 2022

  • PIP-Net：野外行人意图预测

    通过自动驾驶汽车实现精确的行人意图预测是当前研究中的挑战之一。本文介绍了 PIP-Net 框架，用于预测自动驾驶汽车在现实城市场景中行人过马路意图。该模型利用运动数据和驾驶场景的空间特征，采用一种基于循环和时间注意力的解决方案，优于当前最先进的模型。为了提高道路使用者的视觉表达以及它们与本车的距离，我们引入了一个分类深度特征图和一个局部运动流特征，提供对场景动态的丰富洞察力。此外，我们还探索了将视野从一个相机扩展到围绕本车的三个相机的影响，从而增强了模型的上下文感知能力。根据交通场景和道路环境的不同，该模型能够提前 4 秒准确预测行人过马路意图，这是当前行人意图预测研究的突破。最后，我们首次提出了 Urban-PIP 数据集，这是一个自动驾驶情景下的定制行人意图预测数据集，包含多相机注释。

    Feb, 2024

  • 大规模人员再识别的行人对齐网络

    该论文提出了一种名为 PAN（行人对齐网络）的算法，该算法采用卷积神经网络进行表示学习和行人对齐，以解决行人重识别中的对齐问题，并在三个大规模数据集上展示了具有竞争性的准确性。

    Jul, 2017

  • 用于行人检测的深度卷积神经网络

    本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

    Oct, 2015

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021

  • 基于像素区间下采样技术的环境微生物图像稠密微小微生物计数应用

    本研究提出了一种新型的像素间隔下采样网络（PID-Net），用于高精度的密集微小物体（酵母细胞）计数任务，并通过在评估中使用几种经典分割度量标准和计数度量标准，证明了该网络的最佳性能和潜力。

    Apr, 2022

  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • 不要打扰我：在其他行人干扰下的人员再识别

    这篇论文提出了一种名为 PISNet 的深度网络，它可以从拥挤的场景中准确地识别目标行人并去除其他人的干扰信息。通过使用 Query-Guided Attention Block (QGAB) 和 Multi-Person Separation Loss 技术，该方法在两个新的行人干扰数据集上实现了优秀的表现。

    Aug, 2020

  • 变分行人检测

    本文基于变分推理的视角，利用自编码变分贝叶斯算法提出了一种高效的行人检测算法，将密集检测框作为潜在变量，提高了现有基于交并比的器检测方法在人群密集情况下的效率。实验证明：该算法可用于单阶段检测器，同时也能提高双阶段检测器性能表现。

    Apr, 2021

  • Occlusion-aware R-CNN: 检测人群中的行人

    本文提出一种新的遮挡感知 R-CNN (OR-CNN) 检测算法来提高人群中行人检测的准确率，其中使用的新型聚合损失来将建议的探测框紧密地与相应的对象定位；使用新的部分遮挡感知 ROI 池化单元来整合人体结构的前期结构信息以及可见性预测到网络中来处理遮挡，此检测器在三个行人检测数据集上达到了最新的结果，并且在 Caltech 上与最新技术持平。

    Jul, 2018