DOORS: 岩石分割数据集。统计属性与 Blender 设置
通过使用一个实例分割神经网络(BoulderNet)并利用高分辨率卫星图像,以不同行星表面为数据集,我们可以自动化检测和轮廓描绘巨石,达到与人工描绘相似的性能,并提供了一个通用的开源工具来描述整个巨石领域。
Jan, 2024
应用先进的图像分析方法,采用改进的 Unet 语义分割模型和基于扩展的后处理技术,成功地刻画了爆破岩石颗粒的细分离现象,并通过相对特征直径提供了岩石颗粒尺寸的空间异质性,为采石场管理中资源管理和运营决策提供了更好的信息。
Jun, 2024
本文提出了一种基于立体视觉的方法,通过对立体图像数据上的离散度空间进行统计假设检验,评估独立局部贴片上的自由空间和障碍假设,能可靠地检测 moving vehicle 上的小障碍物,不依赖于全局道路模型,在对象和像素级别上优于所有考虑的基线,成功检测高达 5 厘米高的小障碍物,并可在 20m 的距离下实现低误报率。
Sep, 2016
该研究提出一种基于单目 RGB 图像的三维车辆检测方法,为此创建了 Cityscapes 3D 数据集,包含了所有类型车辆的三维标注信息,使得与基于 lidar 的方法相比具有更高效率和更大范围的标注信息。此外,研究将 2D 实例分割与 3D 包围盒成对提供,以便多任务学习。这对自动驾驶技术有着很重要的意义。
Jun, 2020
本文介绍了一个新的数据集和基准测试标准,主要针对从 3D 模型(有纹理和无纹理)训练,可扩展性,遮挡,光照和物体外观的变化等方面测试 6D 姿态估计算法的性能,并使用最先进的 DPOD 检测器来设置基线。
Apr, 2019
该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集,其中包含了各种城市和郊区地理环境中的 1150 个场景,数据标注为 2D 和 3D 框,而 2D 和 3D 检测和跟踪任务的基线也得到了提供。
Dec, 2019
本文介绍了一份新的挑战性 A*3D 数据集,以满足自动驾驶研究任务在高度多样化的环境中的需求,并采用基于 RGB 图像和 LiDAR 数据的丰富多样的场景、时间和天气情况,其中包括重度遮挡和大量的夜间框架,共包含 39K 帧、7 个类别和 230K 个 3D 对象注释。对 A*3D 数据集进行广泛的 3D 对象检测基准评估,对高密度、白天 / 黑夜等各种属性给出了有趣的见解。
Sep, 2019
本文提出使用增强边缘学习来解决玻璃之类物品的分割问题。通过引入新的微调差分模块和边缘感知点基图卷积网络模块,该方法能够轻松嵌入到各种分割模型中,实现较高的分割精度和清晰度
Mar, 2021
利用外观、语境和几何线索,通过一个基于深度学习的完全卷积网络,结合基于模型的统计假设检验的最新检测方法,和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统,取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率,在我们的自动驾驶平台上达到了 22 Hz 的操作。
Dec, 2016
该研究论文研究了单目 3D 检测器在较大物体上的泛化问题,发现深度回归损失对更大物体的噪声敏感性导致性能下降。通过理论分析,提出了一种名为 SeaBird 的方法,结合了 BEV 分割和 dice 损失,实现了较大物体的泛化和 SoTA 结果。
Mar, 2024