在自动驾驶方面，我们提出了一种保护隐私的方法，通过提取面部和车牌识别知识，并使用逼真的鱼眼变换将图像和标签从普通图像转换为鱼眼样式的数据，从而优化了使用深度学习模型的计算机视觉任务。在实验中，我们的模型在自动驾驶数据上进行训练时，即使数据标签模糊，也胜过基线方法。

Sep, 2023

介绍了一份用于自动驾驶的行人模式数据集，其中包含了行人和车辆的 Full HD 视频和 GPS 数据，通过对采集的视频进行快速 R-CNN 行人检测，可得出每个时间段内人流密度估计，以便于评估不同路径下的人流风险。

Jan, 2020

介绍了一种新的数据集 WiderPerson，用于解决现有行人检测数据集缺少多样性和密度的问题，并提出了改进的 Faster R-CNN 和 RetinaNet 模型作为基准。在 Caltech-USA 和 CityPersons 等数据集上进行实验，证明该数据集可以有效提高模型的泛化能力，但需要加强对分类能力的改进以降低误报率和漏报率。

Sep, 2019

通过使用生成对抗网络（GAN）生成大规模合成数据集并训练辨别分类器，使得数据可以更好地匹配真实场景中的 “危险行人”，并可以应用于 “尾部场景” 的验证和排名算法，解决了现实场景中 “危险行人” 数据收集不足的问题。

Mar, 2017

基于全景鱼眼相机优势，建立了第一个 Autopilot Desensitization Dataset（ADD）并构建了第一个基于深度学习的图像去敏感化框架，促进了自动驾驶场景下图像去敏感化的研究。数据集包含 65 万张图像，包括全景鱼眼相机捕获的各种面部特征和车牌信息，并提供了评估标准和比较实验证明了我们方法在图像去敏感化上的有效性和优越性。

Aug, 2023

该论文介绍了一个新的交通数据集 I see you，该数据集解决了当前数据集不覆盖近事故场景等问题，使用 YOLOv5 和相机标定方法获取了秘鲁库斯科七个路口的 170 个近事故交通场景数据，该数据集及其代码已经发布于 Github。

Nov, 2022

介绍了一个名为 PDI 的任务，以评估指定去身份识别方法的去身份化程度和下游任务训练绩效，提出了基于生成对抗网络的全身去身份化方法，展示了该方法对乘客识别、探测和跟踪模型的应用及其可行性

Jun, 2023

本文基于变分推理的视角，利用自编码变分贝叶斯算法提出了一种高效的行人检测算法，将密集检测框作为潜在变量，提高了现有基于交并比的器检测方法在人群密集情况下的效率。实验证明：该算法可用于单阶段检测器，同时也能提高双阶段检测器性能表现。

Apr, 2021

本研究通过直接的跨数据集评估的一般性原则，发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳，主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准，而训练数据源不够密集和多样化。此外，本文提出了一条渐进的培训流水线，可以明显地提高与自动驾驶相关的行人检测的性能。

Mar, 2020

本文介绍了一个名为 PedX 的新数据集，它是一个大规模的多模态数据集，包含超过 5,000 个高分辨率（12MP）的立体图像和 LiDAR 数据，并提供行人的 2D 和 3D 标签。我们还提出了一种新颖的 3D 模型拟合算法，用于自动化 3D 标记，利用不同模式和新颖形状和时间先验的约束。同时，我们还展示了手动 2D 标签可以被最先进的自动标记方法替换，从而促进大规模数据集的自动生成。在控制的户外环境中配置 mocap 系统以模拟城市交叉口的行人时，我们还将所有标注的 3D 行人定位到实际世界度量空间，并使用此系统验证了生成的 3D 模型。

Sep, 2018