CVPRDec, 2021

从单个车载摄像头图像中保持拓扑结构的本地道路网络估计

PDF
TL;DR该研究旨在从单个摄像头图像中直接提取局部道路网络拓扑，使用最小回路及其覆盖来表示道路拓扑，以监督深度神经网络的学习，以实现自主规划和导航。结果表明，与基准相比，该方法在 NuScenes 和 Argoverse 基准测试上的表现显著优越。
autonomous navigationroad network topologybird's-eye-viewminimal cyclesdeep neural networks
发现论文，激发创造
  • 基于先验的单车载摄像头图像在线车道图提取

    使用单一车载摄像头图像进行在线鸟瞰车道图提取，通过优化潜空间向量，从先验分布派生的先验信息增强了初始车道图估计，并对其进行逻辑优化，结果显示该方法显著提高了性能。

    Jul, 2023

  • 车载图像的结构化鸟瞰交通场景理解

    本论文研究使用单个车载相机图像提取代表局部道路网络的有向图，以及在鸟瞰视角下检测动态物体的问题，并验证了该方法优于基线模型的有效性。

    Oct, 2021

  • 从机载视频中在线提取车道图

    本文主要研究从视频流中提取 BEV 车道图。通过三种不同的方法，即后处理，空时嵌入变换和显式 BEV 投影等方法，实现在任意数量的图像上生成准确的车道图，并在 Nuscenes 和 Argoverse 数据集上进行了实验并证明了所提出方法的有效性和优越性。

    Apr, 2023

  • 驾驶场景的拓扑推理

    TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

    Apr, 2023

  • Brightearth roads: 从卫星影像实现全自动道路网络提取

    通过使用高分辨率卫星影像，我们提出了一种完全自动化的流程来从图像中提取道路网络，结果表明与 OpenStreetMap 数据相比，该方法能够提供最新的道路设计和精确的道路位置。

    Jun, 2024

  • 通过前向上视图投影实现单目 BEV 道路场景感知

    提出基于前视单目图像的局部鸟瞰地图重建新框架，利用前向到俯视图像变换（FTVP）模块中的多尺度设计和周期性一致性约束，实现低成本高效的道路与汽车区域感知以及多类别场景理解。在公共基准测试中，该方法在道路布局估计，车辆占用估计和多类别语义估计任务中均达到了最先进的性能，并且在多类别语义估计中优于所有竞争对手。

    Nov, 2022

  • 弱而深地监督的遮挡推理参数化路面布局

    本文提出一种端到端的网络模型，该模型仅需要较为便宜的人工注释即可在复杂路况下的单个透视 RGB 图像上产生基于遮挡的透视空间布局和参数化鸟瞰图，并用了归纳偏差来学习遮挡推论、几何变换和语义抽象等方面，经测试该方法有效且仅需较少的人工干预。

    Apr, 2021

  • 通过车载摄像头理解道路语义的鸟瞰视角

    通过使用车载摄像头在线估计语义化的鸟瞰图，本文研究了自主导航过程中的场景理解，包括图像级别理解、鸟瞰图级别理解和时间信息聚合。作者提出的新架构在鸟瞰图理解方面显著优于现有技术水平。

    Dec, 2020

  • 路灯旁的行人：自适应对象图在实时地图制作中的应用

    本文提出了一种基于图神经网络的方法，通过对于场景中物体的空间关系，从单目图像中预测出鸟瞰地图中的物体，从而解决了现有基于纹理的模型在距离摄像机较远时定位错误率增加的问题，并在三个大规模数据集上取得了最新的最佳结果，包括了相对于 nuScenes 数据集上 50% 的提升。

    Apr, 2022

  • 使用鸟瞰图表示和深度学习在高速公路上进行车辆轨迹预测

    本文利用鸟瞰图和卷积神经网络预测高速公路场景中的车辆轨迹，使用 U-net 模型作为预测核心，发现使用高斯表示车辆的 U-net 模型是性能最好的配置，预测误差比基准方法降低了 50%。

    Jul, 2022