本文通过将基于区域提案算法生成的图像块的 CNN 特征应用于 VLAD 编码再进行空间金字塔编码，从而实现在 10 种交通场景分类上的应用。

Jul, 2017

本论文提出了一种基于视觉语言自监督学习的上下文感知行人检测方法 (VLPD)，采用自生成的显式语义类标签来学习语义分割和行人检测任务，并提出了自我监督原形语义对比学习方法来更好地判别行人和其他分类，并在流行的基准数据集上进行了广泛的实验，证明了我们提出的 VLPD 在小尺度和重度遮挡等挑战性情况下均具有优越的性能。

Apr, 2023

通过上游车辆检测和可见光中心的近似值，本文提出了一种检测车辆灯光的方法，预测与每个车辆灯光相关的四个近似角点，可应用于自动驾驶中检测车辆灯光的网络。

Jul, 2023

本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

May, 2023

实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

Sep, 2023

本研究提出一种基于 transformer 的图像异常检测和定位网络，利用重构方法和 patch 嵌入的结合，使用高斯混合密度网络定位异常区域，同时发布了一个名为 BTAD 的现实工业异常数据集。

Apr, 2021

本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

May, 2023

交通事故检测与预测是一项棘手的交通安全问题，本文提出了一项对深度学习时代中视觉交通事故检测（Vision-TAD）和预测（Vision-TAA）的全面调查，探讨了每个研究样本的优劣，并提供了 31 个公开可用的基准和相关评估指标的关键评论，旨在为 Vision-TAD 和 Vision-TAA 任务带来新的见解和可能的趋势。

Aug, 2023

本文介绍了一种结合了车辆检测和属性注释的快速框架 (DAVE)，该框架包含两个卷积神经网络：一个快速车辆提议网络 (FVPN) 用于车辆式对象提取，另一个属性学习网络 (ALN) 旨在验证每个提议并同时推断每辆车的姿势、颜色和类型。 该系统应用于真实世界的交通监控数据并在多个数据集上得到了一致性的改进。

Jul, 2016

本文提出一种决策树驱动的深度学习方法，通过智能交通监测系统从交通摄像头中快速精确地提取异常事件并估计其起止时间，并通过实验验证取得了 F1 score：0.8571 和 S4 score：0.5686。

Apr, 2021