从行人检测到人行横道估计:多样数据集上的 EM 算法和分析
通过使用 CNN 的 2D 姿态估计技术,我们成功地确定了行人的意图,如穿过车道,停在行人路口之前并开始行走或弯曲,这是基于非自然序列(Daimler 数据集)的结果,使用 JAAD 数据集进行评估,提出了一种结合了 CNN 的行人检测、跟踪和姿态估计的方法以预测单眼图像中的人的穿越动作,并取得了新的最高水平结果。
Jul, 2018
本文介绍了一个名为 PedX 的新数据集,它是一个大规模的多模态数据集,包含超过 5,000 个高分辨率(12MP)的立体图像和 LiDAR 数据,并提供行人的 2D 和 3D 标签。我们还提出了一种新颖的 3D 模型拟合算法,用于自动化 3D 标记,利用不同模式和新颖形状和时间先验的约束。同时,我们还展示了手动 2D 标签可以被最先进的自动标记方法替换,从而促进大规模数据集的自动生成。在控制的户外环境中配置 mocap 系统以模拟城市交叉口的行人时,我们还将所有标注的 3D 行人定位到实际世界度量空间,并使用此系统验证了生成的 3D 模型。
Sep, 2018
研究表明,使用轮椅的行人死亡率比整体人口的行人死亡率高 36%。使用机器学习和深度学习模型,结合先进的交通传感器,设计了一个系统架构,可以区分残障人士和正常行人,并预测到达下一个路口的时间。该方案表现出了较高的脆弱用户分类和到达时间预测准确性。
Jan, 2022
提出了一种多相机 3D 行人检测方法,该方法不需要使用目标场景的数据进行训练,通过基于人体姿势和来自现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置,然后将这些位置投影到世界地面平面,并用新的团覆盖问题公式进行融合,同时还提出利用域通用的行人再识别模型在融合期间对行人外貌的选择性步骤,评估表明,在具有挑战性的 WILDTRACK 数据集上,所提出的方法获得了 0.569 的 MODA 和 0.78 的 F 分数,优于现有的最先进的通用检测技术。
Apr, 2021
本研究提出了一种基于 LiDAR 的隐私保护系统,用于智能环境下的行人追踪,利用多个分布式 LiDAR 的非重叠视图跟踪部分被遮挡的行人,并使用概率方法来建模和调整个体的动态运动模式,结果表明该系统能够准确地跟踪行人,是下一代智能环境中的有前途的保护隐私的跟踪手段。
Mar, 2023
本文利用机器学习预测在非信号控制的人行横道中行人与车辆的交互,包括行人的行走决策、开始过马路的时间和过马路所需时间。使用神经网络模型比 logistic 回归模型提高了 4.46% 的预测准确率和 3.23% 的 F1 分数,并与线性回归模型相比,降低了 21.56% 和 30.14% 的 CIT 和 CD 的根均方误差。分析了交互因素的重要性,提供了在不同特征输入限制下选择模型的信息。
Apr, 2023
提出了一个基于多任务学习的框架来识别行人穿越行为并预测其未来轨迹,利用从原始传感器数据提取出来的人体关键点来捕捉丰富的人体姿态和活动信息,同时引入辅助任务和对比学习以提高所学习人体关键点表达式的性能表现。在大规模内部数据集和公共基准数据集上进行验证,证明了该方法在多种评估指标上实现了最先进的性能。
Jun, 2023
本研究通过直接的跨数据集评估的一般性原则,发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳,主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准,而训练数据源不够密集和多样化。此外,本文提出了一条渐进的培训流水线,可以明显地提高与自动驾驶相关的行人检测的性能。
Mar, 2020