基于交叉相似性的车道检测对比学习
本研究提出了多层领域自适应(MLDA)框架,通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测,以识别车道形状和位置先验知识,提出了一种新的视角来解决车道检测领域差异带来的挑战, 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足, 在两个挑战性数据集 TuSimple 和 CULane 中,我们的方法相对于现有领域自适应算法,在准确性和 F1 分数方面分别提高了 8.8%和 7.4%。
Jun, 2022
本文提出了一种新的自监督学习方法 CLD,通过交叉等级判别来发现和整合实例相似性,显著改善对高度相关,长尾分布和平衡数据集的自监督学习,并在许多基准测试中取得了新的最佳性能。
Aug, 2020
利用对比映射预训练(CLIP)方法在图像与 LiDAR 点云的交叉模态本地化任务中,首次应用批处理损失方法并展示了零样本转移,并在 KITTI 数据集上取得了超过当前最先进方法 22.4% 的准确性提升,而且无需复杂的网络架构。
Dec, 2023
我们提出了一种通过无监督 / 自监督学习训练单阶段目标检测器的创新方法,该方法有潜力彻底改变标注过程,大大减少人工标注所需的时间和成本,并为之前难以实现的研究机会铺平了道路。与现有的主要针对分类任务的无监督学习方法不同,我们的方法承担了目标检测的独特挑战,开创了 intra-image 对比学习与 inter-image 对应的概念,能够获取目标检测所需的重要位置信息。该方法熟练地学习和表示这些位置信息,并生成信息丰富的热图。我们的结果展示了 89.2% 的卓越准确率,在计算机视觉领域的无监督目标检测领域突破性地提高了 15 倍,相比随机初始化。
Feb, 2024
本文提出了一种无监督的 3D 车道分割方法,通过利用激光雷达点云帧上车道的独特强度,在 2D 平面上投影 3D 点来获取嘈杂的车道标签;同时,利用自监督的预训练模型,矫正车道标签并训练学生网络实现任意目标车道(例如,TuSimple)的无人工标签检测,通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估,证明了优于现有监督方法的卓越性能,并且在减小领域差异方面具有更好的效果,即在 CULane 上训练,TuSimple 上测试。
Apr, 2024
该研究论文探讨了在智能相机系统中,如何利用合成图像进行对不同成像条件下目标检测的训练,提出了一种对比学习的方法,并使用持续学习的惩罚机制缓解了重要信息丢失的问题,该方法在夜间目标检测方面表现出色。
Dec, 2021
本文提出了一种自我监督学习的雷达目标检测预训练框架 RiCL,通过利用雷达的检测和时间信息,可以用较少的数据来预训练目标检测模型,实验结果表明我们的方法在范围 - 多普勒图中可以学习到物体的通用表示,并且只需要使用整个训练集数据 20% 的标注数据就能达到与监督学习相似的 M-Average [email protected]。
Feb, 2024
本文提出利用风格迁移增强低光照条件下车道检测的方法,通过生成低光照图像来提高车道检测器的环境适应性,无需额外标注或推理开销,实验表明该方法在低光照条件下具有适应能力和复杂场景中的鲁棒性。
Feb, 2020
该研究论文探讨了基于学习的模型在模拟环境中将 Lidar 点云数据转换成高质量真实数据的 Sim-to-Real 映射方法,并与图像转换方法进行了广泛的评估,结果表明基于对比学习的 CLS2R 框架在几乎所有度量指标上表现出优越性能。
Dec, 2023