Sep, 2023

一辆移动车辆上的语义化和关节化行人感知

PDF
TL;DR从车辆收集的视频中进行三维重建较为困难，车辆的前向运动速度较快。与标准基准相比，对象经常出现在相机远离的地方，图像质量通常会因为运动模糊而降低，并且经常会发生遮挡。这导致了交通数据专门基准的普及。最近，光探测与测距（LiDAR）传感器因其直接估计深度而变得流行，无需进行三维重建。然而，与基于图像的方法相比，基于 LiDAR 的方法在远距离的关节人体检测方面仍然存在欠缺。我们假设针对 LiDAR 数据的关节人体感知基准可以促进交通中关于人体感知和预测的研究，并可能提高行人的交通安全。
3d reconstructionon-vehicle gathered videoobject detectionhuman sensinglidar-based methods
发现论文，激发创造
  • 低分辨率 LiDAR 数据下的 3D 物体检测与高分辨率交通参数提取

    本研究提出了一种创新的框架，通过使用单个 LiDAR 系统、点密度填充和零样本学习技术，以及提取感兴趣对象的高低、加速度和速度等特征，实现了交通流量数据收集、物体检测和自动生成立体包围盒的自动化，从而克服了多个 LiDAR 系统和复杂的立体标注过程的限制。

    Jan, 2024

  • 提升城市交通管理：用于数据收集和高级目标检测分析的高架式 3D 激光雷达

    本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

    May, 2024

  • 利用 3D LiDAR 传感器促进城市安全与公共卫生：行人监测与异常活动检测

    利用光探测与测距（LiDAR）和物联网（IoT）技术的整合，在城市安全和行人福祉方面为公共卫生信息学提供了变革性机会。本文提出了一种利用这些技术进行增强型城市交通场景下的三维物体检测和活动分类的新框架。通过使用高架 LiDAR，我们获取了详细的三维点云数据，实现了精确的行人活动监测。为了克服城市数据匮乏问题，我们通过在 Blender 中模拟交通环境，创建了一个专门的数据集，便于针对性的模型训练。我们的方法采用了改进的基于点体素区域的卷积神经网络（PV-RCNN）进行稳健的三维检测和 PointNet 进行行人活动分类，显著促进了城市交通管理和公共卫生，为理解行人行为、促进更安全的城市环境提供了洞见。我们的双模型方法不仅提升了城市交通管理，还通过提供对行人行为的洞见，显著贡献于公共卫生和更安全的城市环境。

    Apr, 2024

  • 基于 LiDAR 数据和传感器融合技术的三维物体检测框架比较研究

    讨论了激光雷达与传感器融合技术在自动驾驶车辆对象检测和定位方面的显著改进，并通过对最新研究方法的实验分析提出了未来的研究方向。

    Feb, 2022

  • 无人驾驶实时交通物体检测

    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

  • 深度多传感器车道检测

    提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

    May, 2019

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 语义驱动的多摄像头行人检测

    本论文介绍了一个利用自动提取的场景上下文信息的多摄像头全局组合行人检测方法，通过语义分割技术获得上下文信息用于自动生成场景的共同区域，从而获取一系列的联合检测框。相比其他同类方法，本文提出的方法具有场景无关性和实现的快速性，且在五个公共数据集上验证具有更好的性能。

    Dec, 2018

  • 实时深度学习车辆和行人检测与分析

    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

  • 深度激光雷达卷积神经网络用于理解运动车辆的动态

    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