Nov, 2023

现实道路场景中的交通标志解读

PDF
TL;DR我们提出了一个交通标志解释（TSI）任务，旨在将全局语义相关的交通标志（例如驾驶指令相关的文本、符号和指引面板）翻译成自然语言，为自动驾驶或辅助驾驶提供准确的指导支持。同时，我们设计了一个多任务学习架构来完成 TSI，负责检测和识别各种交通标志，并将其解释成类似人类的自然语言。在中国公路和城市道路的真实场景图像上进行的实验表明，即使标志之间存在复杂的语义逻辑，TSI 任务也是可实现的，而 TSI-CN 数据集和 TSI 架构的源代码将在修订过程后公开发布。
traffic sign interpretationmulti-task learningdatasetsemantic logicautonomous driving
发现论文，激发创造
  • 基于卷积神经网络的音频辅助实时交通标志识别系统

    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

  • 高效视觉 Transformer 用于准确的交通标志检测

    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

  • 基于局部视觉变换器的交通标志识别

    通过结合卷积网络和 Transformer 网络的优势，本研究提出了一种新型的模型用于交通标志识别，实验证明该模型在德国和波斯交通标志数据集上超过了纯 Transformer 模型和最佳卷积网络的准确率，并且在保持快速推理速度的同时，更适合实际应用。

    Nov, 2023

  • 优化交通标志识别：定制数据增强解决类别不平衡和样本匮乏问题

    通过定制化的数据增强技术以及包括合成图像生成、几何变换和基于障碍物的增强方法，该研究解决了交通标志识别中的关键挑战：类别不平衡和数据集稀缺。研究结果表明，在交通标志识别模型性能方面取得了显著改进，这对于交通标志识别系统具有重要意义。该研究不仅针对交通标志识别的数据集限制进行了探讨，还提出了适用于不同地区和应用领域类似挑战的模型，为计算机视觉和交通标志识别系统领域迈出了一步。

    Jun, 2024

  • BjTT: 用于交通预测的大规模多模态数据集

    研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了 ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。

    Mar, 2024

  • Open-TI：带增强语言模型的开放式交通智能

    Open-TI 是一种创新模型，旨在成为图灵不可区分交通智能的目标，能够从头开始进行详尽的交通分析，并且还可以进行任务特定的具体化，如训练和调整交通信号控制策略，探索需求优化等。

    Dec, 2023

  • 交通情景逻辑：一种用于建模和推理城市交通情景的时空逻辑

    交通场景逻辑 (TSL) 是一种用于建模和推理城市无行人交通场景的时空逻辑，它提供了城市道路网络的正式表示，并可用于生成测试场景以及自动驾驶决策和控制验证。

    May, 2024

  • 基于线索的上下文关注机制：用于识别非受限道路运输信号缺失

    该研究提出了一个挑战性的视频数据集，用于训练缺失交通标志的检测，并提出了一种基于 CueCAn 的方法来改善原始模型的性能。

    Mar, 2023

  • 自主安全驾驶中的显著标志检测：通过全视觉上下文进行推理的人工智能

    该研究通过定义交通信号关注度属性，构建了包含该属性注释的第一个交通信号数据集 LAVA Salient Signs Dataset，并使用定制的关注度损失函数 Salience-Sensitive Focal Loss 训练变形 DETR 目标检测模型，以强调更好的关注度表现，结果表明，使用 Salience-Sensitive Focal Loss 训练的模型较未使用该训练方式的模型，在检测关注度高信号和所有信号的召回率方面表现更好，并且对于关注度高信号与所有信号的性能差距最大。

    Jan, 2023

  • 面向城市场景实用语义图像合成

    本文提出了一种使用无监督学习和鉴别器的框架，通过对城市场景生成逼真的照片来实现自主驾驶，避免大量验证和训练数据的高昂成本。

    May, 2023