Jan, 2024

视频中的延迟感知道路异常分割：一个逼真的数据集和新的度量指标

PDF
TL;DR通过使用合成数据，我们提供了第一个用于自动驾驶的视频异常分割数据集，其中包含 7 个不同城镇记录的 120,000 帧高分辨率图像，我们还提供了最新的监督和无监督的道路异常分割方法的基准测试，并专注于两个新的度量标准：时间一致性和延迟感知的流式准确性。
road anomaly segmentationautonomous drivingvideo anomaly segmentation datasetsynthetic datatemporal consistency
发现论文，激发创造
  • 交通视频异常检测的高效方法

    本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

    Apr, 2021

  • 针对行车记录仪视频的异常检测

    本文提出了一种基于深度学习的异常检测方法，通过数据集 RetroTrucks 以及静态摄像头数据集对单类分类损失和重构损失的应用，以及对象交互建模，实现对车载摄像头录像中不同驾驶行为的检测和识别。

    Apr, 2020

  • FT-AED：早期高速公路交通异常事件检测基准数据集

    这篇论文介绍了一种大规模的高速公路交通数据集，用于异常检测，利用深度学习模型可以提高事故报告准确性和减少延迟。

    Jun, 2024

  • 复杂驾驶场景中的逐像素异常检测

    本文提出一种基于不确定性信息和重新合成图像之间的差异信息相结合的像素级异常检测框架，旨在提高语义分割领域关键的自动驾驶系统的鲁棒性和性能表现。

    Mar, 2021

  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019

  • 用于语义视频分割的高速公路行驶数据集

    介绍了语义视频数据集 Highway Driving dataset 和基于时间相关性的基线算法，提高了实时应用的语义分割效果。

    Nov, 2020

  • 自动驾驶鲁棒路侧感知：基于合成数据的无需标注策略

    本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

    Jun, 2023

  • 街景场景：视频异常检测的新数据集和评估协议

    本文介绍了一个名为 Street Scene 的大型多样化数据集和两个新的评估标准，旨在推动视频异常检测研究的进展。另外，我们提出了两个新的基准算法，证明它们在 Street Scene 数据集上比文献中现有的两个最先进的算法更准确。

    Feb, 2019

  • 交通异常检测的良好实践和强基准线

    本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。

    May, 2021

  • 监控视频中的现实世界异常检测

    该论文提出了一种通过深度多实例评级框架利用弱标记训练视频来学习异常的方法，并介绍了一个包括正常和异常视频的新型数据集，该数据集用于一般的异常检测和 13 个异常活动的识别任务。实验结果表明该方法显著提高了异常检测的性能。

    Jan, 2018