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。

Jan, 2023

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

本文介绍了多摄像头的交通信号灯感知管道，使用 YOLOv5 探测器进行边界框回归和交通信号灯分类，并融合高清语义地图信息和隐马尔可夫模型的状态过滤来提高鲁棒性，在现实世界的复杂场景下实现了优异的表现。

May, 2023

交通信号灯检测是自动驾驶汽车和驾驶员辅助系统中的一个具有挑战性的问题。本文提出了一种新的交通信号灯检测系统，通过使用通用物体候选生成、精细化的多尺度特征以及注意力机制进行高效处理，解决了卷积神经网络中下采样导致的低分辨率特征对检测的影响问题，并通过对比实验表明，在小型和微型的交通信号灯上至少有 12.6% 的显著改进效果，并且在各种尺寸的交通信号灯上都表现出强大的效果。

Jul, 2023

实时交通信号灯识别对于自动驾驶至关重要。本研究通过对使用卷积神经网络（CNN）的交通信号灯识别方法进行综合调查和分析，着重于数据集和 CNN 架构两个重要方面，并将方法根据底层架构分为三个主要群组：(1) 修改通用目标检测器来补偿特定任务特征的方法， (2) 利用规则和 CNN 组件的多阶段方法和 (3) 特定任务的单阶段方法。我们描述了每个群组中最重要的工作，讨论了数据集的使用情况，确定了研究的空白点。

Sep, 2023

该研究提出了一种基于可视化分析系统 VATLD 的交通灯检测方法，该方法整合了解缠绕表示学习和语义对抗学习，以评估和改进自动驾驶应用中交通灯检测器的精度和鲁棒性。

Sep, 2020

本文提出了一种新颖的安全感知损失变化，利用训练过程中估计的每个行人的关键得分来提高关键行人检测性能，评估结果表明，使用我们的安全感知损失函数对关键行人进行训练可以减少漏检而不损害对非关键行人的检测性能。

Feb, 2024

通过上游车辆检测和可见光中心的近似值，本文提出了一种检测车辆灯光的方法，预测与每个车辆灯光相关的四个近似角点，可应用于自动驾驶中检测车辆灯光的网络。

Jul, 2023

近期，随着计算机视觉的不断进步，自动驾驶很可能很快将成为现代社会的一部分。然而，仍然有许多需要解决的问题。本研究评估了我们先前提出的高效行人检测器 LSFM 在多样化的天气条件和夜间场景等经典自动驾驶测试中的稳健性，并将其扩展应用于交通场景中实时物体检测，同时提出了适用于自动驾驶的更合适的实时性能指标。

Jan, 2024

通过强化学习技术实现道路交通信号控制的自适应，并针对交通事故的发生率，提出了一种安全性增强的残差强化学习方法，实验表明该方法可以显著降低碰撞率并提高交通流动性。

Nov, 2022