Jan, 2023

通过并行边缘卸载在拥挤场景中实时高分辨率行人检测

PDF
TL;DRHode 是一个视频分析框架，使用分布式 edge 节点加速行人检测，具有上下文感知区域分割和基于 DRL 的调度算法，可以在减少精度损失的同时实现高达 2.01％的加速效果。
pedestrian detectionsurveillance systemsvideo analytic frameworkedge nodesspatio-temporal flow filtering
发现论文，激发创造
  • 基于轻量级 CNN 的边缘服务实现的实时人体检测

    介绍了一种轻量级的卷积神经网络算法 (LCNN)，通过将分类器的搜索空间缩小到监视视频帧中的人物对象，提出的 LCNN 算法能够在边缘设备上以可承受的计算工作量检测行人.

    Apr, 2018

  • HeteroEdge: 解决异构协作自主系统中的不对称问题

    本文提出了一个用于优化深度学习算法输入、模型推理通信、深度学习算法的自适应优化框架，并通过评估表明，将数据的 70% 分配给辅助结点可以最小化离线延迟，节约总操作时间。

    May, 2023

  • 低计算资源下的实时行人识别

    该研究通过改进特征提取方法和优化分类器，实现了在小型计算平台上实时的行人识别，结果表明在小型移动设备上具有高兼容性和普遍性。

    Sep, 2023

  • 密集群众中的行人头部追踪

    该研究提出一种基于头部检测和轨迹跟踪的算法来解决人群密度大的环境下的行人追踪问题，并提出了一种新的衡量算法效果的指标，并在 Crowd of Heads Dataset（CroHD）上进行了比较，表现优异。

    Mar, 2021

  • 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

  • 全局嵌套边缘检测

    使用深度学习模型，通过全卷积神经网络和深度监督网络技术实现图像到图像的预测，提出一种全局学习和多尺度特征学习的新型边缘检测算法 (HED)，在 BSD500 和 NYU Depth 数据集上较以前的基于卷积神经网络的边缘检测算法拥有更快的速度 (平均 0.4 秒每张图像).

    Apr, 2015

  • 远在眼前？不是真的！--- 基于尺度感知定位策略的行人检测

    本文提出了一种主动型行人检测器，该检测器利用多层神经表示、ResNet 和 faster R-CNNs 等技术实现对行人检测，能够有效解决行人检测中小尺寸行人偏远离摄像头时检测效果不佳的问题，经实验证实具有良好的性能。

    Sep, 2017

  • 利用边缘计算实现实时视频分析通过自适应的时空语义过滤

    本文提出了一种新颖的边缘计算实时视频分析系统，包括跟踪辅助对象检测模块和感兴趣区域模块，在具有波动网络条件的情况下，通过无线网络将智能视觉设备连接到边缘服务器，通过基于深度 Q 网络的边缘处理方法和基于多臂赌博机的自适应配置选择方法来解决实时视频分析问题。通过大量的模拟实验评估了该解决方案的性能，并展示了其优势。

    Feb, 2024

  • 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

  • PedHunter：拥挤场景下抗遮挡行人检测器

    该论文提出了一种名为 PedHunter 的有效和高效检测网络，引入了强大的遮挡处理能力来检测拥挤场景中的行人，采用掩码引导模块增强骨干网络的特征表示学习，改进正样本的质量提高分类准则，采用模拟遮挡数据来提高遮挡鲁棒性，在三个行人检测数据集上取得了最先进的结果，并发布了一个包含超过 162k 高质量手动标记实例的新行人数据集 SUR-PED，以便于进一步研究监视场景中的遮挡行人检测。

    Sep, 2019