YOLOP: 一次观测全景驾驶感知
通过提出一种高效的量化感知网联驾驶模型(Q- YOLOP)来实现目标检测、可行驶区域分割、车道线分割,其采用高效层聚合网络(ELAN)作为主干,并在 BDD100K 数据集上具有在 [email protected] 为 0.622 的最新性能和分割的 mIoU 为 0.612,同时保持较低的计算和内存要求。
Jul, 2023
自主驾驶的关键要求是高精度、轻量化和实时响应,本文提出了一种自适应、实时和轻量化的多任务模型,能够同时处理目标检测、行驶区域分割和车道检测任务,并且无需特定定制结构或损失函数。该模型在 BDD100k 数据集上取得了竞争性的结果,尤其在可视化输出方面。此外,通过引入真实道路数据集评估了模型在真实场景中的性能,表现出超出竞争对手的优越性能,证明了模型不仅具备竞争性能,而且更加灵活快速。
Oct, 2023
本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案,包括基于 YOLOv3 的物体检测,姿态估计和双目 / 单目视觉摄像头的时间同步,强调了适用于赛车领域的感知卷积神经网络的修改,姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估,证明其在实际赛车场景中具有准确性和低延迟性。
Jul, 2020
准确的情景感知对于辅助和自动驾驶功能 (AAD) 的安全决策至关重要。全景分割是一种有前景的感知技术,可以在像素级别上识别和分类对象、潜在危险和可驾驶空间。本研究提出了一个统一的流程,评估全景分割模型在 AAD 中的鲁棒性,并将其与传统图像质量进行相关联。
Feb, 2024
本文提出一种名为 DSPNet 的模型,利用共享卷积架构实现在单张图片中同时进行物体检测、深度估计和像素级语义分割,达到了较高的精度和效率,适用于自动驾驶等领域。
Mar, 2018
本文介绍我们基于 YOLOX 模型设计的实时 2D 目标检测系统,适用于现实中自主驾驶场景,我们在 Argoverse-HD 数据集上实现了 41.0 的实时准确率,超过了第二名 7.8/6.1 的检测轨迹 / 完全轨迹,此外,配备 TensorRT,我们的模型在高分辨率输入大小下达到了 30FPS 的推理速度。
Jul, 2021
本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用,包括基于激光雷达和基于相机的方法,并分析了各自的优缺点和潜在的应用场景。
Jun, 2022
YOLO-BEV 是一种高效的框架,通过特殊的周围摄像机设置生成车辆环境的 2D 鸟瞰图,利用空间表示提供有效处理,在实时自动驾驶系统中具有潜在的快速部署和改变未来视角的潜力。
Oct, 2023
本文提出了基于 YOLO 名物体检测器的自动车牌识别系统,使用卷积神经网络 (CNN) 对每个车牌识别阶段进行训练和微调,实现在不同条件下具有稳健性。针对字符分割和识别,本文设计了一个两阶段方法,并采用倒置车牌和翻转字符等简单的数据增强技巧。该系统在两个数据集中均取得了卓越的成绩。
Feb, 2018