Mar, 2023

自动驾驶中双向紧凑空间可分离网络用于避免碰撞

PDF
TL;DR本文提出一种基于 CNN 和 Bi-LSTM 的自动驾驶决策方法，在序列图像的不同区域之间建立特征相关性来实现避撞，通过摄像头和 LiDAR 传感器生成 “鸟瞰图”，并通过实验表明该方法优于现有的基于视觉的策略，成功率显著提高，同时为自动驾驶提供了有前途的解决方案。
autonomous drivingcnn-based methodcollision avoidancefeature correlationsbird's eye view graphs
发现论文，激发创造
  • 自主驾驶中用于碰撞避免的顺序空间网络

    该研究旨在解决小区域特征相关性问题，提出了一种利用关注机制实现的卷积神经网络算法，在自动驾驶碰撞避免方面的测试表现超过了其他视觉模型。

    Mar, 2023

  • 级联卷积神经网络实现车道检测和分类

    本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

    Jul, 2019

  • 使用谷歌街景和 CNN 进行车道检测的动态方法

    本文提出了一种基于卷积神经网络和 SegNet encoder-decoder 架构的新型车道检测方法，并通过与 Google API 的接口实现了实时导航，该方法针对挑战性遮挡条件具有鲁棒性，且性能优于现有方法。

    Sep, 2019

  • 空间深度：用于交通场景理解的空间卷积神经网络

    本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络，该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递，从而加强了卷积神经网络 (CNN) 学习结构输出的能力，特别适用于具有强空间关系但较少外表线索的目标识别任务，例如交通车道检测。实验结果表明，与传统的 RNN 和 MRF+CNN（MRFNet）相比，SCNN 可显著提高车道检测数据集的准确度。

    Dec, 2017

  • 自动驾驶直接感知的快速循环全卷积神经网络

    通过提出三个小型，计算成本较低的深度端到端神经网络模型，直接从输入图像中产生驾驶控制信号，并利用深度和薄型全卷积网络与递归神经网络以及低参数计数等方法来解决复杂的端到端回归任务，预测转向和加速度指令，并包括分类优化层，以允许网络隐式地学习图像语义。我们证明，与最新的可比较的端到端驾驶网络相比，所得到的网络使用了 3 倍少的参数以及比 AlexNet 变化小 500 倍，同时维持对于过拟合的稳健性。

    Nov, 2017

  • ENet-21：用于车道检测的优化轻型卷积神经网络结构

    使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

    Mar, 2024

  • 智慧城市交通：用深度学习集成方法进行交通事故检测

    本研究对现有的事故检测技术进行了全面的探索研究，重点介绍了尾部碰撞、侧面碰撞和正面碰撞等不同类型的交通事故，并引入了适用于智慧城市交通监控系统的 I3D-CONVLSTM2D 模型架构，结合 RGB 帧和光流信息进行事故检测。实验分析验证了该方法的有效性，该模型在平均精度（Mean Average Precision，MAP）方面表现优异，达到了 87%。同时，本研究还详细阐述了数据不平衡在有限数据集、道路结构和交通场景方面带来的挑战，最终为基于视觉的事故检测系统在智慧城市基础设施中实时集成到边缘物联网设备提供了路径指引。

    Oct, 2023

  • 基于卷积神经网络的 GTRSB 交通标志检测和分类优化

    在交通运输不断演进的背景下，汽车的普及使道路交通更加复杂，需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法，实现了接近 96% 的准确率，突出了通过高级定位技术可以实现更高的精度，这不仅对交通标志识别技术的持续发展有所贡献，也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。

    Mar, 2024

  • BiFNet: 道路分割的双向融合网络

    该研究提出了一种基于双向融合网络的多传感器融合道路分割方法，该方法利用摄像机成像空间和点云鸟瞰图空间之间的密集空间变换模块以及基于场景的特征融合模块，有效地解决了道路远景损失等问题，并在 KITTI 数据集上取得了有竞争力的结果。

    Apr, 2020

  • 基于序列的时空图卷积网络用于分钟级和道路级交通事故风险预测

    利用 GCN 和 LSTM 相结合的顺序空时图卷积网络（SST-GCN）预测首尔的道路数据集构建的分钟级和道路级交通事故，实验证明 SST-GCN 在分钟级预测方面胜过其他最先进的模型。

    May, 2024