Dec, 2020

从立体图像学习碰撞自由空间检测：单应性矩阵带来更好的数据增强

PDF
TL;DR本文提出了一种有效的训练数据增强方法，通过将额外的多视图图像转换为参考视图来生成训练数据，以提高深度卷积神经网络的性能，从而增强自主车辆的无碰撞空间检测性能。
autonomous vehiclescollision-free space detectiontraining data augmentationdeep convolutional neural networksmulti-view images
发现论文，激发创造
  • 无监督深度单应性：一种快速而强大的单应性估计模型

    本研究提出一种无监督学习算法，利用深度卷积神经网络估算平面单应矩阵，相较于传统方法和监督式学习算法其具有更快的推理速度、更好的光照变化适应性和优于同类方法的性能表现。

    Sep, 2017

  • 基于 GNN 的自动相机校准通过单应性估计

    该研究提出了一种新的方法，通过利用交叉口的拓扑结构来实现摄像头的准确自动校准，进而提高交通监控数据的利用效率，并在合成数据集和实际摄像头上展示了优异的性能表现。

    Nov, 2023

  • 从单张图片学习立体视觉

    该研究介绍了一种基于单目深度估计，使用错误匹配视差地图训练立体匹配网络的方法，无需真实深度或手动设计人工数据即可将任何 RGB 图像列表转换为立体训练数据，并在 KITTI、ETH3D 和 Middlebury 等数据集上表现出色。

    Aug, 2020

  • 具有自我改进能力的自监督学习用于立体匹配

    本论文提出了一种基于卷积神经网络的方法，能够从立体输入中学习计算密集的视差图，使用图像变形误差作为损失函数，无需地面真实的视差图。该方法经过在 KITTI 和 Middlebury 立体基准数据集上的实验，证明优于许多现有技术并且速度更快。

    Sep, 2017

  • 跨模态领域自适应在自由空间检测中的应用：一种简单而有效的基线模型

    本研究探索无人驾驶系统中的 freespace 检测，并且利用无监督域自适应的方法来解决数据有限的问题。通过使用 RGB 图片和深度图片生成的表面法线图来提取特征并引入 CCG 模式来改进互相关信息，以达到更好的 freespace 检测效果。

    Oct, 2022

  • 寻找失物：为自动驾驶车辆探测小型道路障碍物

    本文提出了一种基于立体视觉的方法，通过对立体图像数据上的离散度空间进行统计假设检验，评估独立局部贴片上的自由空间和障碍假设，能可靠地检测 moving vehicle 上的小障碍物，不依赖于全局道路模型，在对象和像素级别上优于所有考虑的基线，成功检测高达 5 厘米高的小障碍物，并可在 20m 的距离下实现低误报率。

    Sep, 2016

  • 内容感知无监督深度单应矩阵估计

    提出了一种无监督深度视觉几何估计方法来提高图像配准的精度，通过学习异常值掩模以去除噪声和提取更可靠的样本进行估计，使用 RANSAC 机制进行可靠区域选择，并专注于学习深度特征来计算损失，同时不忽略在真实场景中处理视差和运动物体的重要性。

    Sep, 2019

  • 具有共面感知 GAN 的无监督单应性估计

    本研究提出了一种新的方法 HomoGAN，用于引导无监督的单应性估计关注主平面，并利用多尺度变换网络和图像生成对抗网络来解决来自平面诱导视差引起的问题以及验证其有效性。

    May, 2022

  • 基于真实数据生成的有监督单应性矩阵学习

    我们提出了一个迭代框架，包括生成阶段和训练阶段，用于生成逼真的训练数据并产生一个监督单应性网络。通过这种迭代策略，数据集的质量和网络的性能可以逐渐提高。实验结果表明，我们的方法达到了最先进的性能，并且现有的监督方法也可以在生成的数据集基础上进行改进。

    Jul, 2023

  • 使用自监督和在线训练的全卷积网络进行自由空间检测

    本文研究了基于视觉的高级驾驶辅助系统中的自由空间检测，提出采用完全卷积网络进行自我监督训练，以降低对大型手动注释训练集的需求。通过使用立体视觉视差系统自动生成 FCN（Fully Convolutional Network）的（弱）训练标签，使得应用 FCN 能够适应任何车辆遇到的交通场景。在线训练 FCN 的结果表明，相比于离线训练，Fmax 和 AP 的性能提升了 5%。

    Apr, 2016