通过擦除来检测道路障碍物
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
利用外观、语境和几何线索,通过一个基于深度学习的完全卷积网络,结合基于模型的统计假设检验的最新检测方法,和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统,取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率,在我们的自动驾驶平台上达到了 22 Hz 的操作。
Dec, 2016
本论文利用基于深度学习的方法,通过估计光流场并使用卷积神经网络,从短序列图像中去除窗户反射、栅栏遮挡和雨滴等干扰因素。该方法能够处理一些错误和脆弱假设,并在多个具有挑战性的场景中表现出不错的效果。
Apr, 2020
本论文提出了一个深度学习框架,通过使用卷积神经网络的多类语义分割和条件生成对抗模型来将显示动态内容的图片转换为逼真的静态帧,这种方法可以被用于增强现实领域和基于视觉的机器人定位目的,并在移除动态对象并模拟它们背后的静态结构方面,展示了我们方法的定性和定量比较结果。
Sep, 2018
本文介绍了一种基于外观的障碍物检测系统,使用深度神经网络的方法进行训练,能够在高速行驶、长距离、低维度等复杂情况下对障碍物进行检测。
Jul, 2016
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
提出一种基于视差转换算法的关注聚合框架和训练集增强技术,用于改善道路坑洞检测的语义分割网络,实验结果表明其性能优于现有的单模态和数据融合网络。
Aug, 2020
本文提出了一种基于 RGB-D 传感器的道路机器人避障系统,使用两阶段语义分割网络生成语义地图以便进行局部路径规划,采用光流监督和运动模糊增强的训练方法,实现室内外道路机器人的无碰撞自主导航。
Aug, 2019
本文提出了一种新的图形模型,利用基于 Markov 随机场的高效算法,通过对海洋环境的观测,实现了无人驾驶水面船只 (USV) 在单视频流中对航行障碍物的快速连续检测,不需要计算复杂的纹理特征,并在实时运行的同时取得了最好的分割结果。
Mar, 2015
通过 Crowded Observations 捕获的车载相机,我们介绍了 StreetUnveiler 来重建空旷道路的 3D 表示,通过去除不需要的高斯分布,我们使用时间逆转框架对帧进行填充以增强填充的时序一致性。
May, 2024