本研究论文探讨了计算机视觉中车辆灯光的表示及其对自动驾驶领域中各种任务的影响。通过讨论不同的车辆灯光表示规范，包括边界框、中心点、角点和分割掩模，探讨了它们在强弱方面的差异。从夜间车辆检测、三维车辆方向估计和动态轨迹提示等角度，确定了受益于车辆灯光检测的三个关键任务。还讨论了为训练数据驱动模型而收集和注释大型数据集的挑战，并介绍了 LISA 车辆灯光数据集和相关的光可见性模型，该模型特别为车辆检测、意图和轨迹预测以及安全路径规划等下游应用提供了灯光注释。还提供了现有车辆灯光数据集的比较，突出了每个数据集的独特特点和局限性。总的来说，本论文深入探讨了车辆灯光的表示以及在自动驾驶应用中训练有效检测模型所需的准确注释的重要性。我们的数据集和模型可以在此 URL 链接中获取。

Jul, 2023

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

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

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

通过识别人驾驶和自动驾驶车辆的尾灯，本文旨在提高夜间驾驶行为预测的能力。采用了一个定制探测器来准确检测道路上前方车辆的尾灯。利用卷积神经网络从这些区域提取出特征，然后利用主成分分析来降维。最后，使用支持向量机来预测车辆的行为。实验结果表明，该方法可以以 92.14% 的准确度、97.38% 的特异度、92.09% 的敏感度、92.10% 的 F1 度量和 0.895 的 Cohen's Kappa 统计量准确分类车辆行为。

Oct, 2023

本文提出了一种用于理解场景中运动车辆动态的新方法，该方法通过设计卷积神经网络 (CNN)，并在训练期间引入一系列所谓的 “预文本任务”，以消除自我运动和外部车辆运动的混淆。我们在测试阶段使用 lidar 扫描的连续对来试验该系统，并在训练期间将形象信息开以提高系统推理结果精度。

Aug, 2018

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

使用深度神经网络方法解决车辆检测和分类问题，提出了在限制数据集大小情况下，如何利用 DNN 进行车辆检测，哪些特征对于车辆分类有用，以及如何扩展模型到极端光照条件。所提出的方法表现优于现有方法，在光照条件极端的图像上取得了有希望的结果。

Jan, 2016

本文提出了一种针对单目相机的 3D 车辆定位网络 CenterLoc3D，通过解决摄像头标定和使用空间约束嵌入到 CenterLoc3D 的损失函数实现了用于路侧单目摄像头的 3D 车辆定位，同时提出了 SVLD-3D 数据集、标注工具和评估指标。经实验验证，所提出的方法具有高精度和实时性。

Mar, 2022