Oct, 2022

自动驾驶车辆的稳健行人检测方法

PDF
TL;DR本文针对 Advanced Driver-Assistance Systems (ADAS) 中行人检测的挑战，使用 YOLOv5s 框架在 Caltech 行人数据集上进行 fine-tune，并且开发了可用于准备数据和注释数据的工具箱。实验结果表明，使用作者提出的方法，行人检测任务的均值平均精度（mAP）可高达 91％，且最高帧率可达 70 FPS，是一种比其他现有技术更为有效和准确的方法。
advanced driver-assistance systemsadasyolov5spedestrian detectioncaltech pedestrian dataset
发现论文，激发创造
  • 实时深度学习车辆和行人检测与分析

    通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

    Apr, 2024

  • 用 YOLO 模型和迁移学习推进道路标志检测

    本文使用了改进的 YOLOv5 和 YOLOv8 模型，在不同照明条件下检测和分类不同的道路标志，实验结果表明，两个模型在不同训练设置下都能表现良好，其中 YOLOv8 模型的 MAP50 得分略高。这些发现为寻求可靠且适应性强的物体检测应用方案的从业人员提供了宝贵的见解。

    Jun, 2024

  • 城市交通中行人动作和意图识别

    本研究使用多种特征提取方法和机器学习算法，使用 JAAD 数据集为基础，聚焦于行人运动和头部方向的检测，达到了 72% 和 85% 的准确率，能有效解决自动驾驶和高级驾驶辅助系统中的行人意图和行动识别问题。

    Oct, 2018

  • 语义驱动的多摄像头行人检测

    本论文介绍了一个利用自动提取的场景上下文信息的多摄像头全局组合行人检测方法，通过语义分割技术获得上下文信息用于自动生成场景的共同区域，从而获取一系列的联合检测框。相比其他同类方法，本文提出的方法具有场景无关性和实现的快速性，且在五个公共数据集上验证具有更好的性能。

    Dec, 2018

  • 低光照条件下的行人检测：综述

    综述了针对低光条件下行人检测的各种方法和数据集，并讨论了挑战和最近提出的解决方法，主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。

    Jan, 2024

  • 行人检测问题距离解决还有多远？

    该研究探究了行人检测领域当前最先进的方法和 “完美的单帧检测器” 的差距，并通过创建行人检测的人类基线和手动聚类来对其进行分析。通过研究检测器的训练注释噪声对检测器性能的影响，以及研究卷积神经网络用于行人检测时影响其性能的因素，该研究提出了改进方法，并在 Caltech 数据集上取得了最佳性能。

    Feb, 2016

  • 利用深度学习的实时交通监控事故检测

    本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

    Aug, 2022

  • 用于行人检测的深度卷积神经网络

    本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

    Oct, 2015

  • 基于行人行为地图的安全警示：CHAMP 框架和实验数据分析

    本文讲述了一种基于在线地图的行人检测系统，该系统可以学习常见的行人位置并在行人接近车辆时生成警告通知，以预防行人碰撞事故。

    May, 2023

  • 基于时空 DenseNet 的自主地面车辆的行人实时意图预测

    本文提出了一种基于图像序列的单目 RGB 相机的实时框架，使用区别于基线方法的跟踪 - 检测技术和创新的时空 DenseNet 模型识别、跟踪和预测行人在城市交通环境中的意图和动作，以实现对自主地面车辆行为的理解。实验表明，该方法在实时性和效果方面比其他基线方法更具鲁棒性和竞争力，平均精度得分为 84.76％，帧率为 20FPS。

    Apr, 2019