不同骨干网络架构对自动驾驶车辆数据集的影响
本文旨在填补 3D 对象检测在自动驾驶中的知识空白,综述了相关领域的传感器、数据集、性能度量以及最新的检测方法,分析了其优劣,并进行了定量比较和案例研究,最后总结了研究成果和未来发展方向。
Jun, 2021
本文提出一种基于对抗预训练的简单而有效的配方,用于提高目标检测器的对抗鲁棒性,并探索不同的现代目标检测器提高对抗鲁棒性的潜力,为该领域设定了一个新的里程碑和加深了人们对鲁棒目标检测的理解。
May, 2023
本文提出了一种名为 DetNAS 的方法,使用神经结构搜索技术来设计用于目标检测的骨干网络,实验证明通过 DetNAS 搜索得到的网络在 COCO 数据集上的性能要优于手工设计的网络。
Mar, 2019
在现代自动驾驶领域中,感知系统是不可或缺的,它可以准确评估周围环境的状态,从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估,通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估,特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较,发现多模态的 3D 检测方法表现出更强的鲁棒性,并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角,从而引导未来的研究朝向鲁棒性为中心的发展。
Jan, 2024
本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用,包括基于激光雷达和基于相机的方法,并分析了各自的优缺点和潜在的应用场景。
Jun, 2022
事件相机在自动驾驶中利用事件数据进行目标检测具有竞争优势。该论文提供了事件相机在自动驾驶中目标检测的概述,强调了事件相机的低延迟和轻量级架构的竞争性优势。
May, 2024
通过创建新的数据集 ANNA 并借助神经网络,本研究评估了现有数据集在孟加拉交通场景下的不足,并证明了使用该数据集训练的模型在孟加拉交通情境下更精确和高效,强调了开发准确有效的物体检测算法对自动驾驶车辆发展的重要性。
Jan, 2024
本文提出了一种神经架构适应方法,可优化特定的骨干网络以适用于对象检测,同时仍可使用预训练参数。通过搜索特定运算和每个块的输出通道维度,我们旨在适应微观和宏观架构。实验证明,在 COCO 数据集上,我们搜索的骨干网表现出优异性能,超过了手工设计和搜索的最先进骨干网。
Jun, 2022