ECCVAug, 2022

动态环境下的上下文感知流式处理

PDF
TL;DR本文提出了一种新方法，Octopus，根据场景难度和障碍物位移等因素来选择配置，以最大化流媒体环境下的跟踪精度 (S-MOTA)，进一步提高离线准确性的同时，将跟踪性能提高了 7.4％。
efficient vision worksstreaming settingsaccuracyoctopusobstacle displacement
发现论文，激发创造
  • 走向流式感知

    本文提出了一种名为 “流式准确性” 的方法，该方法将感知延迟和准确性相结合，可用于任何单帧任务变成流式感知任务的系统性 meta-benchmark，以及在城市视频流中的物体检测和实例分割等任务上做出了令人惊讶的结论。

    May, 2020

  • 流式感知的实时目标检测

    这篇论文研究自动驾驶中的实时视频物体检测问题，提出了一种基于流式预测的新型深度学习方法，该方法使用双流动态静态感知模块（DFP）来捕捉运动趋势和基本检测特征，并引入趋势感知损失（TAL）和趋势因子来产生适应性权重，进而优化移动车辆物体的检测结果。

    Mar, 2022

  • 深度强化学习的自适应流媒体感知

    通过深度强化学习来最大化考虑到精度和延迟之间的权衡，从而为流式感知提供一种新的方法。我们的代理可以跨多个决策维度学习一种竞争策略，在公共数据集上胜过最先进的策略。

    Jun, 2021

  • 自动驾驶快速场景理解

    本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

    Aug, 2017

  • 自主驾驶赛车的准确、低延迟视觉感知：挑战、机制和实用解决方案

    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

  • 利用边缘和云端技术进行基于 V2X 的自动驾驶实时物体检测

    自动驾驶的环境感知是关键因素，研究着重于实现实时感知与预测，通过在不同资源环境中进行计算卸载，最终的模型可以在云端实时运行并提供较好的性能。

    Aug, 2023

  • DAMO-StreamNet：自动驾驶流式感知优化

    通过结合 YOLO 系列的最新进展与空间和时间感知机制的综合分析，我们提出了 DAMO-StreamNet 优化框架，以实现实时感知，融合了四个关键创新点，超越了现有的前沿方法，不仅为实时感知设置了新的基准，而且也为未来的研究提供了宝贵的见解。

    Mar, 2023

  • 自动驾驶的语义分割：模型评估、数据集生成、视角比较和实时性能

    研究了在自动驾驶汽车中使用的感知方法，发现 FasterSeg 模型在实时低功耗计算设备上运行速度快，并通过比较第一人称和鸟瞰图的准确性和速度，得出 FasterSeg 模型在两种视角的 mIoU 结果并提出了一种生成合成数据的简单方法，并在目标硬件上比较了两种视角的帧率和精度。

    Jul, 2022

  • LongShortNet：流式感知中的时间和语义特征融合探索

    提出了 LongShortNet 模型，该模型能够在流处理中捕捉长期时间运动模式、整合短期空间信息，实现空时特征融合，具有较强的检测效果。

    Oct, 2022

  • 具有联合元更新的上下文感知视觉跟踪

    在本文中，我们提出了一种基于上下文感知的跟踪模型，该模型是通过利用整个序列中的信息联合元更新两个分支来优化表示空间上的跟踪器，实现对外观变化的自适应。我们采用上下文聚合模块融合历史帧中的信息，然后使用上下文感知模块为跟踪器的两个分支学习亲和向量。通过使用专用的元学习方案，在有限的训练样本下，该跟踪方法在 VOT2018 上实现了 0.514 的 EAO 评分，40FPS 的速度，表明了它提高了潜在跟踪器的准确性和鲁棒性，并且在速度上有小幅下降。

    Apr, 2022