本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道，可以高效地检测移动车辆并结合上下文信息进行语义压缩，以更好地利用空地网络链路的有限带宽。

Jul, 2019

本论文研究了基于无人机交通视频的实时车辆检测和城市交通行为分析系统。通过使用无人机收集交通数据，并结合 YOLOv8 模型和 SORT 跟踪算法，在 iOS 移动平台上实现对象检测和跟踪功能。使用动态计算方法实时处理性能，计算车辆的微观和宏观交通参数，并进行实时的交通行为分析和可视化。实验结果显示，车辆对象检测的准确率达到 98.27%、召回率达到 87.93%，实时处理能力稳定在每秒 30 帧。这项工作将无人机技术、iOS 开发和深度学习技术整合在一起，将交通视频采集、目标检测、目标跟踪和交通行为分析功能集成到移动设备上，为轻量级交通信息收集和数据分析提供了新的可能性，并为交通管理部门改善道路交通状况分析效率和解决交通问题提供了创新的解决方案。

Feb, 2024

本文利用 OBD 数据集和基于物理的排放预测模型，旨在开发一种准确且计算效率高的人工智能方法来预测车辆排放，实证结果表明，相较于低阶物理模型和基础模型，提出的人工智能方法可使预测准确率提高 65％和 35％。

May, 2021

该研究提出了一种实时检测驾驶人行为的新方法，通过研究不同的感知模态发现红外视频在检测中更具有信息量，并通过多分类技术扩展 DAD 数据集。

Oct, 2022

该研究提出了一个利用主动学习框架从实时收集的数据中，对自动驾驶车辆进行正确分类的方法，该方法通过有效处理贫乏且嘈杂的数据，并在数据质量和多样性之间进行权衡，从其他车辆接收的信息以及有关自身传感器的信息进行数据分析，从而实现高准确度的分类，而该方法相比其他现有的解决方案，具备数据传输带宽要求低的优势。

Feb, 2020

本论文提出了一种基于转移学习和集合学习的基于卷积神经网络和超参数优化技术的 IDS，用于 IoV 系统的网络安全攻击检测以保护现代车辆系统。在实验中，该 IDS 在两个公共基准 IoV 安全数据集上表现出超过 99.25％的检测率和 F1 分数，表明了其对车内和外部汽车网络中的网络攻击检测的有效性。

Jan, 2022

该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量，使用每 10 分钟更新的交通数据和长短期记忆（LSTM）神经网络进行预测。

Sep, 2023

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

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

利用图像和状态信息，该研究提出了一种全面的自动驾驶监测框架，旨在自动识别自动驾驶车辆与人工驾驶车辆的行为，并在充分考虑数据采集条件不佳的情况下进行测试。

Mar, 2024