CVPRApr, 2021

植物不会走在街上：可靠的语义分割的常识推理

PDF
TL;DR本文研究利用部分人工设计和部分学习的规则，描述交通场景中对象之间的关系，将常识知识整合到分割管道中，通过 Probabilistic Soft Logic 验证和改进语义分割问题。在 A2D2 自动驾驶数据集上，实验证明了该方法提高了对图像扭曲的鲁棒性。
data-drivenautonomous drivingcommon-sense knowledgedeep neural networksprobabilistic soft logic
发现论文，激发创造
  • 地图学习：自动驾驶的视觉常识

    本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

    Nov, 2016

  • 城市自动驾驶应用的概率语义地图

    本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

    Jun, 2020

  • 从大型语言模型中提取零样机通用常识，用于机器人三维场景理解

    提出了一种使用大型语言模型中通用的常识知识为机器人场景中的物品进行标记，该算法不需要任务特定的预训练，并且可以泛化到任意房间和物品标签 —— 这是机器人场景理解算法中非常理想的特征。该算法基于由现代空间感知系统产生的 3D 场景图，并希望将为机器人提供更具有可推广性和可扩展性的高级 3D 场景理解铺平道路。

    Jun, 2022

  • 基于系统的 DL 市区行驶走廊探测器自动地面实况生成方法

    本文提出一种自动标注的方法，用于驾驶车道的语义分割并优化数据循环以不断改进感知模块，从而减少传统标注方法的手动成本，并解决数据驱动感知领域的关键问题之一。

    Jul, 2022

  • 包含类别相似性的开放世界语义分割

    该论文提出了一种新颖的方法，能够在没有额外训练数据的情况下，同时完成准确的封闭世界语义分割和识别新类别，还提供了每个新发现类别与已知类别的相似度度量，可在规划或映射等下游任务中提供有用信息。通过广泛的实验，我们展示了我们的模型在训练数据中已知类别以及异常分割方面取得了最先进的结果，并且能够区分不同的未知类别。

    Mar, 2024

  • 交互感知概率预测的情境可迁移语义图推理

    本文提出了一个基于语义知识的预测框架，通过将驾驶场景建模为时空语义图，并推理这些图之间的内部关系，实现对自动驾驶汽车的行为预测。框架不仅实现了最先进的性能，而且具有良好的零样本迁移性。

    Apr, 2020

  • 利用背景知识进行交通情境的鲁棒推理

    本文讨论交通理解的文本方法，采用三种基于知识的方法进行针对交通情境的零 - shot 问答，在大量语料库和知识图中提取常识知识。作者构建两个文本多项选择问答集来评估交通领域的因果推理和类似于人类驾驶执照测试的领域知识，其中 Unified-QA 是最好的方法之一，而 DPR+Unified-QA 的知识提取方式更为高效。

    Dec, 2022

  • 未知环境下使用信息路径规划的半监督主动学习用于语义分割

    使用自适应地图规划的半监督主动学习方法，结合高质量的人工标签和自动提取的伪标签，显著降低人工标注的需求，从而在减少人工标注工作量的同时，达到接近全监督方法的分割性能，超过自监督方法。

    Dec, 2023

  • 将常识推理和知识获取结合，为机器人的深度学习提供指导

    该论文提出了一种基于认知系统的深度网络模型，以探索深度网络模型内部表示和推理机制的知识表示、推理和学习挑战，并通过使用空间关系的接地和递增式的学习，以及基于非单调逻辑推理和基础常识域知识的决策，实现对场景中物品遮挡和稳定性的推理，通过识别与任务相关的图像区域训练深度网络模型来提高决策的可靠性和减少相关的训练工作量。

    Jan, 2022

  • 自动化评估自动驾驶语义分割鲁棒性

    本文介绍了一种用于分析语义分割模型稳健性的新方法，并提供了一些指标以评估在各种环境条件下的分类性能。该过程还结合了另一种传感器（lidar）以自动化处理过程，消除了验证数据的手工标注需求。实验结果表明，语义分割模型的性能因天气、相机参数、阴影等因素而异，并演示了如何在改进模型后比较和验证各种网络的性能。

    Oct, 2018