基于局部视觉变换器的交通标志识别
该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战,特别关注使用 Transformer 模型来提高检测的速度和准确性。
Nov, 2023
本研究引入了一种创新的基于深度学习技术的交通标志识别(TSR)方法,特别强调视觉变换器。实验评估结果表明,该方法在提高预测速度和准确性方面具有显著的效果,为 TSR 算法的精确可靠开发奠定了基础,受益于驾驶辅助系统和自动驾驶汽车。
Apr, 2024
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技术的持续发展有所贡献,也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。
Mar, 2024
该论文提出了一种使用胶囊网络的交通标志检测新方法,通过动态路由和路由协议算法,胶囊网络可以更好地捕获图像的姿态、视角和方向,提高了自主车辆交通标志检测的可靠性和准确性。
May, 2018
本研究提出了一种声控实时交通标志识别系统,使用了卷积神经网络进行交通标志的检测和识别,并通过语音信息来向驾驶员表达交通标志的内容。该系统的优势在于能够检测并向驾驶员传达交通标志的信息,即使驾驶员未能看到或理解。这种类型的系统也对自动驾驶汽车的发展非常重要。
Apr, 2024
我们使用 Swin Transformer 实现实时车标识别,通过在三个公共车标数据集上进行广泛实验,取得了 99.28%、100% 和 99.17% 的令人印象深刻的顶级准确性结果,证明了我们方法在现有方法上的优越性。未来的研究可以探索和优化 Swin Transformer 在其他车辆视觉识别任务中的应用,推动智能交通系统的发展。
Jan, 2024
本文提出了一种新的医学图像分割混合架构,手持卷积神经网络和 Transformer,用于动态变形卷积和自适应互补注意模块改进卷积神经网络和 Transformer 的性能,以实现更好的医学图像分割结果。
Jun, 2023
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
研究比较卷积神经网络和二值神经网络在识别交通标志上的表现,提出了一种从底层进行二值神经网络架构设计的方法,并且在测试集上取得了高于 80% 的准确率。
Mar, 2023
本文对达到卓越视觉任务表现的一类混合视觉转换器体系结构进行了分类和阐述,其中融合了卷积和自注意力机制,重点讨论了注意力机制、位置嵌入、多尺度处理和卷积等关键特征。
May, 2023