Sep, 2023

使用贝叶斯推理降低自动驾驶感知中的误报率

PDF
TL;DR该论文使用多传感器和多模态方法探索目标识别，通过贝叶斯推断的策略降低了误报率，在 KITTI 数据集上验证了该方法。
object recognitionmultisensory approachmultimodality approachfalse positive ratebayesian inference
发现论文，激发创造
  • 无法学习：为自动驾驶汽车自主识别感知故障

    本文讨论使用深度学习的物体检测方法在自动驾驶汽车中出现的错误，提出了一种自动化方法来识别没有基准标签的物体检测器的错误，重点研究了时间和立体不一致性这两个方面的错检，并展示了数据集和代码供进一步研究。

    Jun, 2017

  • 自动驾驶中的三维物体检测：综述与新展望

    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

  • 自动驾驶中的 3D 物体可见性预测

    通过引入可见性属性和计算策略，提出了一种新的算法以扩展自主驾驶的功能，从而增强实时自主驾驶在实际场景中的安全性和可靠性。

    Mar, 2024

  • 为自动驾驶学习一种具有不确定性意识的目标检测器

    本文提出了一种方法，通过考虑地面真实标定数据中的潜在噪声，改善学习概率分布的能力，从而提高自动驾驶探测器的准确性和物体检测性能。

    Oct, 2019

  • 自动驾驶中的鲁棒性感知 3D 物体检测：综述与展望

    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

  • 基础设施传感器协同感知驾驶场景中的 3D 物体检测

    本文提出了两种单模态传感器的合作式三维物体检测方案，分别为早期融合方案和后期融合方案，并通过在 T 形路口和环岛等复杂驾驶情境中创建的协作数据集对两种方案及其混合策略进行了性能评估。评估结果表明，早期融合方案在检测精度上表现优异，能识别 95% 以上的物体，而后期融合方案在传输开销上表现更加经济实用。文章同时研究了传感器数量及配置如何影响系统性能。

    Dec, 2019

  • MAFF-Net：使用多模式自适应特征融合过滤 3D 车辆检测的误报

    本文提出了一种基于多模态融合的三维车辆检测方法，使用图像信息有效降低了假阳性，具有快速检测速度；通过基于通道注意力机制的多模态自适应特征融合模块，实现了对不同模态特征的自适应调节和融合技术的适应性，实验结果表明该方法能够过滤掉更多的假阳性，并在 KITTI 基准测试中获得了最快速度和更好的性能。

    Sep, 2020

  • 物体检测数据集中的噪声标签处理

    该研究探讨了利用自信学习算法来改善训练数据集的质量，通过发现原始训练数据集中的错误标签，可以消除其根源上的错误样本并重新标注可疑的边界框来提高数据集的质量，最终提高目标检测算法的性能。

    Nov, 2022

  • 自动驾驶概率物体检测器的校准 —— 我们能信任你吗？

    本文提出三种实用方法，旨在显著减少激光雷达 3D 物体检测网络中不确定性的估计误差，以达到更加准确的不确定性校准，从而最大程度地提高安全性。

    Sep, 2019

  • 安全导航的物体关键性

    配置和部署能够成功提取对象相关性知识的对象检测器，并利用这些知识来改善轨迹规划任务。在给定物体检测器的情况下，基于对象的相关性和传统的置信度阈值进行过滤，可以减少错过相关对象的风险，降低危险轨迹的可能性，并总体上提高轨迹的质量。

    Apr, 2024