本研究主要探讨了在自动驾驶场景中，鱼眼相机的目标检测问题。由于图像边缘的强烈径向失真，标准边界框方法无法很好地处理鱼眼相机的数据。因此，我们提出了一种新的多边形模型，并在比较多种检测方法时使用 IoU 度量来评估多边形模型的性能。通过使用一些先进的方法，包括基于曲率的多边形采样方法，我们设法在误差方面取得了重大进展。我们的方法大大提高了 mIoU 的相对准确度，并可以通过公共数据集进行验证。

Dec, 2020

自动驾驶中的物体检测是一个成熟的问题，但对于用于环视近场感测的鱼眼相机，物体检测相对较少探索。我们设计了旋转边界框、椭圆、通用多边形等表示方式，并提出了实例分割的 mIOU 指标来分析这些表示方式。提出的 FisheyeDetNet 模型使用多边形优于其他方法，在 Valeo 鱼眼环视数据集上达到了 49.5％的 mAP 得分。据我们所知，这是关于自动驾驶场景下鱼眼相机物体检测的首个详细研究。

Apr, 2024

本文介绍了两个新的鱼眼图像数据集：VOC-360 和 Wider-360，用于训练人脸和物体检测模型的。这些数据集将有助于开发鱼眼图像的人脸和物体检测器以及分割模块，同时也为真实鱼眼图像的收集和手动注释工作提供了帮助。

Jun, 2019

提出了一种新颖的方法，结合基于变压器的图像增强框架和集成学习技术，解决城市交通监测系统中基于鱼眼镜头相机的问题，提高了系统的有效性和准确性，为智能交通管理系统的未来作出了重要贡献。

Apr, 2024

本文提出在未经校正的鱼眼图像上运行的多任务视觉感知网络来加强自动汽车系统的六个主要任务，其中包括深度估计，视觉测距，语义分割，动态分割，目标检测以及镜头污染检测，通过联合训练模型，在 KITTI 数据集上实现深度估计和姿态估计任务的最新结果。

Feb, 2021

该研究介绍了本文集中于使用俯视鱼眼摄像头开发人体定位解决方案，为此提出了一个基于鱼眼图像人体检测网络的 LOAF 数据集，结果表明其比之前的方法更优秀，整个鱼眼定位方法能够在 0.1 秒内以 0.5 米的精度定位视野内的所有人。

Jul, 2023

该研究发布了首个大规模的鱼眼汽车数据集 WoodScape，其中包括四个全景相机和九个任务，为超过 10,000 张图像提供了 40 种类别的语义实例注释以及其他任务的注释超过 100,000 张图像，鼓励社区采用计算机视觉模型进行鱼眼相机而不是使用朴素的矫正方法。

May, 2019

本文介绍了 2022 年 CVPR OmniCV 工作坊上，我们提出的针对鱼眼摄像头目标检测的 WoodScape 比赛，共有来自全球 120 个队伍的 1492 个提交。我们对赢家的方法进行了定性和定量分析，并详细讨论了比赛的细节。

Jun, 2022

本文介绍了一个包含了合成和真实鱼眼图像以及相应的校准数据和测试设置的数据集，以便能够开发和评估适用于鱼眼图像和视频的专门算法。

Nov, 2022

本文提出了一种七自由度的增强方法，将平面图像转化为鱼眼图像，提供了一种通用的解决方案，以改善模型的精度和鲁棒性。该模型适用于不同的鱼眼相机，提供了特定参数设置，并在实际鱼眼图像上取得了令人满意的结果。

Jan, 2020