RoadScan: 一种新颖且稳健的自动驾驶道路坑洞检测的迁移学习框架
本文介绍了二 / 三维道路数据获取的传感系统(相机、激光扫描仪和微软 Kinect),并全面综述了用于道路坑洞检测的最先进计算机视觉算法,包括传统的二维图像处理、三维点云建模和分割、以及机器 / 深度学习算法,同时讨论了现有挑战和未来发展趋势。
Apr, 2022
提出一种通过超分辨率生成对抗网络 (SRGAN) 使用低分辨率相机或图像和视频流进行自动坑洞检测的算法,并使用 You Only Look Once (YOLO) 网络在低质量和高质量的车载摄像头图像上建立基线坑洞检测性能,然后通过图像增强的方式提高速度和准确性。
Nov, 2023
提出一种基于视差转换算法的关注聚合框架和训练集增强技术,用于改善道路坑洞检测的语义分割网络,实验结果表明其性能优于现有的单模态和数据融合网络。
Aug, 2020
本篇论文介绍了一种精确可靠且计算效率高的路面坑洞检测算法,该算法基于非常密集的视差图,利用双黄金分割搜索和动态规划来估计转换参数,然后通过二次曲面拟合表征提取潜在未受损路面区域,通过随机抽样共识算法减少异常点带来的干扰,最后利用重建的三维路面模型提取检测的路面坑洞点云。实验结果表明,该方法的成功检测率约为 98.7%,整体精度约为 99.6%。
Aug, 2019
本研究提出了一种创新的深度学习自动道路检测方法,通过融合低分辨率卫星图像和 GPS 轨迹数据的策略,对早期和后期融合进行深入研究,并使用不同的融合设置评估基于深度学习的道路检测性能。研究结果显示,ResUnet 模型在道路提取任务中优于 U-Net 和 D-Linknet,以及使用低分辨率 Sentinel-2 数据的基准研究,从而为自动道路检测领域作出贡献,并为各种应用中的数据融合方法提供了新的见解。
Dec, 2023
本文提出了一个增强的道路损伤检测方法,利用 CycleGAN 和改进的 YOLOv5 算法,通过数据增强方法、注意力机制和空洞空间金字塔池化等技术,成功实现了道路损伤的实时、准确检测,并在实际应用中取得了良好结果。
May, 2024
利用外观、语境和几何线索,通过一个基于深度学习的完全卷积网络,结合基于模型的统计假设检验的最新检测方法,和一个系统的贝叶斯框架来检测自动驾驶汽车所面临的道路中的障碍物。我们在失物招领数据集上评估了我们的障碍物检测系统,取得了 50% 的相对性能提高和在 50 米内超过 90% 的检测率,在我们的自动驾驶平台上达到了 22 Hz 的操作。
Dec, 2016
我们的研究提出了一种创新的基于点云的坑洞分割架构(PotholeGuard),通过有效地识别隐藏的特征并利用反馈机制增强局部特征,提高特征表达。我们引入了本地关系学习模块以了解局部形状关系,增强结构洞察力。此外,我们提出了一个轻量级的自适应结构,使用 K 最近邻算法来细化局部点特征,解决点云密度差异和域选择问题。集成了共享 MLP 汇聚特征的方法,促进语义数据的探索和分割引导。在三个公共数据集上进行了大量实验,验证了 PotholeGuard 相比于现有先进方法的卓越性能。我们的方法为强大而准确的 3D 坑洞分割提供了有希望的解决方案,具有道路维护和安全应用的潜力。
Nov, 2023
比较了三个预训练卷积神经网络模型(ResNet 50,ResNet 18 和 MobileNet)性能,用于识别路段中的坑洞,并将路面图像分类为小坑洞、大坑洞和正常路面的三个类别。
Sep, 2023
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