半监督学习在自动驾驶中的重要目标识别

Mar, 2022

半监督学习在自动驾驶中的重要目标识别

Important Object Identification with Semi-Supervised Learning for Autonomous Driving

Jiachen Li, Haiming Gang, Hengbo Ma, Masayoshi Tomizuka, Chiho Choi

TL;DR本文提出了一种基于二元分类、关系推理和半监督学习的重要物体识别方法，可用于智能车辆在复杂动态环境下的安全导航，并在公开数据集上得到验证。

Abstract

Accurate identification of important objects in the scene is a prerequisite for safe and high-quality decision making and motion planning of intelligent agents (e.g., autonomous vehicles) that navigate in complex and dynamic environments. Most existing approaches attempt to employ attention mechanisms to learn importance weights associated with each object i

object identification binary classification relational reasoning semi-supervised learning egocentric driving

发现论文，激发创造

第一人称视角视频中重要物体的无监督学习

本研究提出了一种基于交替网络和路径监督的无监督学习方法，不需要依赖摄像机佩戴者或第三方注释者的重要目标检测，该方法在两个不同的数据集上实现了与有监督学习类似或更好的结果。

Nov, 2016

道路行驶视频中物体重要性估计的交互图

本文提出一种用交互图和图卷积进行物体重要性估计的新框架，以帮助更好地理解人类驾驶行为并实现更可靠的自动驾驶系统。实验结果表明，该模型具有比现有基线模型更好的性能。

Mar, 2020

路面行驶视频中以目标为导向的物体重要性估计

本文针对车载自动驾驶视觉场景中的对象重要性评估问题，提出了一种新的基于视觉动态和驾驶目标的对象重要性估计框架，并通过实际交通路口数据集及人工标注数据对该框架进行了验证评估。同时，本文还探讨了使用对象重要性进行驾驶控制预测的可能性，并证明了该方法可以有效提升车辆的刹车预测准确性。

May, 2019

自动驾驶的基于图像分割的语义通信中的重要性感知

这篇研究论文主要研究自动驾驶中基于图像分割的语义通信问题，通过提出名为 VIS-SemCom 的车辆图像分割导向的语义通信系统，传输重要对象的图像分割特征以减少传输冗余。

Jan, 2024

重要性在于你的关注：自动驾驶的代理重要性预测

本文提出了一种使用关注机制模型中的注意力信息来度量每个代理对自我车辆未来计划轨迹的重要性的方法，并在 nuPlans 数据集上进行的实验证明了这种方法可以有效地找到并排名周围代理的影响。

Apr, 2022

DRUformer: 提升驾驶场景中重要物体检测的驾驶关系自我理解

交通事故频繁导致致命伤害，自 2023 年以来已造成超过 5000 万人死亡。为了减轻驾驶危险并确保个人安全，有助于帮助车辆在行驶过程中预测重要物体。为此我们引入了 DRUformer 模型，它是基于 Transformer 的多模态重要物体检测模型，考虑了驾驶场景中所有参与者之间的关系，并嵌入了驾驶意图模块。我们在 DRAMA 数据集上进行了比较实验，结果显示与其他最先进模型相比，mIoU 有 16.2％的显著提高，ACC 有 12.3％的大幅提升。此外，我们还进行了定性分析，突出了我们模型在不同道路情景和类别中检测重要物体的有效性。最后，我们进行了多种消融实验，评估了 DRUformer 模型中所提出的模块的效率。

Nov, 2023

学习在未标记的图像中检测重要人物用于半监督重要人物检测

本论文提出了一种使用部分注释的图像进行重要人物检测的方法，其中引入了伪标签分配的迭代学习方法，伪标签排名策略和两种加权策略，用于增强重要人物学习和忽略嘈杂的无标签图像，并证实了该方法的有效性。

Apr, 2020

IDD-X：用于密集和非结构化交通中自我相关重要物体定位和解释的多视图数据集

智能车辆系统需要深入了解道路状况、周围实体和自我驾驶行为之间的相互作用，以实现安全高效的导航，而在发展中国家，交通情况往往密集且无序，道路使用者也异质性强。现有数据集主要针对结构化和稀疏的交通场景，未能捕捉到在这种环境中驾驶的复杂性。为了填补这一空白，我们提出了一个大规模的双视角驾驶视频数据集 IDD-X。通过提供 697K 个边界框、9K 个重要对象轨迹和每个视频 1-12 个对象，IDD-X 为多个重要道路对象提供了综合的自我驾驶相关注释，覆盖了 10 个类别和 19 个解释标签类别。该数据集还结合倒车影像信息，以提供对驾驶环境更全面的表征。我们还引入了专为多个重要对象定位和每个对象解释预测而设计的深度网络。总体而言，我们的数据集和推出的预测模型为研究道路状况和周围实体如何影响复杂交通情况下的驾驶行为奠定了基础。

Apr, 2024

安全导航的物体关键性

配置和部署能够成功提取对象相关性知识的对象检测器，并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下，基于对象的相关性和传统的置信度阈值进行过滤，可以减少错过相关对象的风险，降低危险轨迹的可能性，并总体上提高轨迹的质量。

Apr, 2024

将视觉与运动联系起来，实现自监督的以物为中心的感知

本研究采用自监督的物体中心视觉模型，只使用 RGB 视频和车辆姿态作为输入，实现了物体分解，并在 Waymo 开放感知数据集上展示了正面的结果。

Jul, 2023