本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

May, 2023

我们提出了 D$^2$-City，这是滴滴平台上车辆收集的大规模综合的行车记录仪视频的收集，包含超过 10000 个视频片段，提供了 12 种对象类别的边界框和跟踪注释，并在其余视频的关键帧上提供检测注释，预计该数据集将推动智能驾驶感知和相关领域的发展。

Apr, 2019

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

本论文介绍了一个新颖的视频数据集，该数据集来自城市高速公路上相互交叠的交通摄像头，可在交通监控环境中进行多摄像头 3D 物体跟踪。该数据集包含来自至少 16 个摄像头的 3 个场景的视频，总长度为 57 分钟。为每个摄像头视野完全准确地注释了 87,700 个 3D 边界框和相应的物体轨迹，并将其组合成每个场景的空间和时间连续的车辆轨迹。最后，使用现有算法对数据集进行了多个 3D 多摄像头跟踪管道的基准测试，结果表明该数据集具有挑战性，因为在交通拥堵期间，对象的高速移动和严重遮挡可能持续数百帧之久。本研究旨在促进准确和自动的车辆轨迹提取算法的发展，这将在理解自动驾驶车辆技术对交通安全和效率的影响方面发挥重要作用。

Aug, 2023

通过引入一个新颖的低光视频数据集，本文对低光视频进行增强的方法进行了深入分析和全面评估，并展示了全注册视频配对在发展低光视频增强方法中的重要性和对综合评估的需求。

Feb, 2024

本研究关注应用先进的技术方法提高交通事故的检测，通过引入一种创新的综合数据集来增强智能城市中的计算机视觉和动作识别系统，旨在填补现有研究的空白，提供用于交通事故检测的基准数据集，以推动学术研究并提升实时事故检测应用，从而实现更安全、更高效的智能城市环境的发展。

Jan, 2024

该研究提供了超过 800 个高分辨率的街灯图像，这些图像系统地收集自印度主要街道，主要是针对金奈地区。这个有组织的数据集旨在更容易地训练和评估深度神经网络，以创建具有强大特征表述的预训练模型。此数据集的可用性旨在鼓励计算机视觉和智能城市技术的未来研究和发展，支持创新和实际解决城市基础设施问题。

Jul, 2024

本研究论文探讨了计算机视觉中车辆灯光的表示及其对自动驾驶领域中各种任务的影响。通过讨论不同的车辆灯光表示规范，包括边界框、中心点、角点和分割掩模，探讨了它们在强弱方面的差异。从夜间车辆检测、三维车辆方向估计和动态轨迹提示等角度，确定了受益于车辆灯光检测的三个关键任务。还讨论了为训练数据驱动模型而收集和注释大型数据集的挑战，并介绍了 LISA 车辆灯光数据集和相关的光可见性模型，该模型特别为车辆检测、意图和轨迹预测以及安全路径规划等下游应用提供了灯光注释。还提供了现有车辆灯光数据集的比较，突出了每个数据集的独特特点和局限性。总的来说，本论文深入探讨了车辆灯光的表示以及在自动驾驶应用中训练有效检测模型所需的准确注释的重要性。我们的数据集和模型可以在此 URL 链接中获取。

Jul, 2023

提供一种新的 A9 交叉口数据集，其中包含来自两个道路侧摄像头和交叉口桥架上安装的 LiDAR 的同步输出的点云数据，并提供了所有传感器之间的校准数据，可以将三维标签投影到图像中并实现准确的数据融合。该数据集包含 4.8k 个图像和 57.4k 个手动标记的 3D 框，包括 10 个不同的物体类别，并支持复杂的 3D 相机 - LiDAR 路侧感知任务。

Jun, 2023

通过创建遵循安全临界场景，超越真实数据的自主驾驶车辆全面测试是至关重要的。为了解决现有方法的评估不足，本文提出了一个针对自主驾驶模拟的新颖驾驶视图合成数据集和基准测试，揭示现有方法无法满足跨车道或闭环模拟的要求。

Jun, 2024