我们提出了一种基于字典的自动化摄像机校准方法,利用定制的空间变换网络(STN)和新颖的拓扑损失函数,改善了 IoU 指标,相对于最先进模型提高了 12%。
Aug, 2023
该研究实施了一个三阶段的视频分析框架,用于从道路上的摄像头提取高分辨率的交通数据,关键组成部分包括目标识别、透视转换和车辆轨迹重建,可以用于改善交通管理、识别危险驾驶行为以及减少事故和伤亡风险。
Jan, 2024
我们提出了一个鲁棒的外参标定方法,用于自动地进行地理参考相机标定,不需要人与信息交互,同时也不限制其他道路用户通行,我们通过在合成数据集和实际交叉口以及实现对真实基础设施的标定,演示了方法的可行性和准确性。
Apr, 2023
本文提出了一种快速、稳健的方法,利用包含地面水平线和垂直消失点等基础几何信息的单张图像进行透视矫正,并且使用合适的神经网络模型进行训练和预测,从而达到了全球最好的水平线检测性能(AUC 值为 74.52%)。该方法可以应用于实时视频透视矫正。
May, 2019
本篇论文研究并讨论如何设计和训练一种深度神经网络,以处理动态场景的单应性估计问题,通过多尺度网络进行设计和训练,在估计动态场景的单应性时,同时完成了动态内容检测的任务,使得该方法在具有挑战性的场景中具有较高的算法鲁棒性。
Apr, 2020
通过利用街景图像重建度量的三维模型并精确校准 100 多个全球交通摄像头,本研究展示了一个可扩展的框架,以解决基于野外摄像头的精确校准挑战,并通过提取信息进行交通分析,从而开发出利用室外摄像头进行自动分析的潜力。
Nov, 2023
我们提出了基于图注意力网络的方法,利用场景三角网格表示来估计动态环境下的图像相机位置,通过三个组件(图神经网络、卷积神经网络和神经网络模型)的端到端训练,结合 RANSAC 算法和点云表示有效地提高了相机位置精度。
Sep, 2022
该研究提出了一种利用卷积神经网络实现图像之间的变换估计的方法,可以避免传统的局部特征检测和变换估计方法的复杂度,并展示了多种基于深度估计变换的应用场景。
Jun, 2016
通过使用合成数据,我们提出了一种高度自动化的方法来通过单个图像校准运动相机,使用新颖的相机姿态引擎,以及采用两个 GAN 模型来检测场地标记,并在合成和真实数据中取得了鲁棒性和最新技术表现。
Oct, 2018
本文提出了一种有效的训练数据增强方法,通过将额外的多视图图像转换为参考视图来生成训练数据,以提高深度卷积神经网络的性能,从而增强自主车辆的无碰撞空间检测性能。
Dec, 2020