Jan, 2023

自主安全驾驶中的显著标志检测：通过全视觉上下文进行推理的人工智能

PDF
TL;DR该研究通过定义交通信号关注度属性，构建了包含该属性注释的第一个交通信号数据集 LAVA Salient Signs Dataset，并使用定制的关注度损失函数 Salience-Sensitive Focal Loss 训练变形 DETR 目标检测模型，以强调更好的关注度表现，结果表明，使用 Salience-Sensitive Focal Loss 训练的模型较未使用该训练方式的模型，在检测关注度高信号和所有信号的召回率方面表现更好，并且对于关注度高信号与所有信号的性能差距最大。
发现论文，激发创造
  • 基于显著敏感损失的稳健交通信号灯检测：计算框架和评估

    本文提出了一种交通信号灯检测模型，旨在找出对驾驶员未来决策有影响的信号灯，使用 Salience-Sensitive Focal loss 的 Deformable DETR 物体检测变换器模型进行训练，表现更好的召回率。

    May, 2023

  • 高级驾驶辅助系统中的视觉显著性检测

    我们提出了一种结合司机困倦检测系统和基于显著性的场景理解流水线的智能系统，该系统在嵌入式平台上运行，并利用专用 3D 深度网络进行语义分割。我们还使用车辆方向盘上嵌入的创新生物传感器来监测驾驶员的困倦程度，并对收集到的驾驶员脉搏波信号进行分类，从而评估驾驶员的注意力水平。最后，我们将司机的注意力水平与基于显著性的场景分类进行比较，以评估整体安全水平。通过广泛的实验结果验证了该流水线的有效性。

    Jul, 2023

  • 可解释且可信的交通标志检测技术：基于归纳逻辑编程的自主驾驶方法

    基于归纳逻辑编程的方法用于自动驾驶汽车中的停止标志检测，在面对对抗攻击时表现更稳健，能够高效准确地检测出目标停止标志，同时需求训练数据较少和具备全面解释性。

    Aug, 2023

  • 通过以人为中心的感知机制提高自动驾驶中的对抗机器学习韧性

    该研究探讨了自动驾驶系统对物理对抗攻击（胶带、涂鸦、照明）的弹性，并通过开发和评估多个机器学习模型，对道路标志和几何形状进行了测试，结果表明迁移学习在提高道路标志分类的可泛化性方面发挥了关键作用。该研究旨在改善自动驾驶车辆中目标分类器的安全性和鲁棒性，减轻对驾驶系统的对抗性示例影响。

    Nov, 2023

  • 高效视觉 Transformer 用于准确的交通标志检测

    该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战，特别关注使用 Transformer 模型来提高检测的速度和准确性。

    Nov, 2023

  • 交通标志识别的对抗攻击：综述

    本文综述了在交通标志检测和分类模型上进行数字化或现实世界攻击的现有工作，探讨了最新发展并突出了需要进一步研究的领域。

    Jul, 2023

  • 基于线索的上下文关注机制：用于识别非受限道路运输信号缺失

    该研究提出了一个挑战性的视频数据集，用于训练缺失交通标志的检测，并提出了一种基于 CueCAn 的方法来改善原始模型的性能。

    Mar, 2023

  • SalienDet：自动驾驶目标检测的基于显著性特征增强算法

    本研究提出了一种基于显著性的目标检测算法（SalienDet），用于检测未出现在训练样本集中的目标。该算法利用基于显著性的算法增强图像特征，生成目标提案，并设计了一个数据集标记方法以区分未知目标和所有目标，实现开放世界检测。在 KITTI，NuScenes 和 BDD 数据集上评估 SalienDet 的结果表明，它优于现有的未知目标检测算法。此外，SalienDet 可以轻松地适应开放世界检测任务的增量学习。

    May, 2023

  • 引导端到端驾驶模型的注意力

    通过使用显著语义地图进行训练期间添加损失项，引导注意力可以改善自动驾驶模型的驾驶质量，并获得更直观的激活图，特别是在数据和计算资源有限的情况下。

    Apr, 2024

  • 真实交通标志变化对 YOLOv7 目标识别模型的影响

    研究交通标志改变对物体识别模型的影响，发现在不太可能的条件下暴露于修改的交通标志下，物体识别模型的准确性显著降低。这项研究强调了提高物体检测模型在现实场景中的鲁棒性的重要性，需要进一步研究来提高它们的准确性和可靠性。

    May, 2023