Jan, 2024

边缘加强的实时铁路轨道分割

PDF
TL;DR我们提出了一种边缘设备启用的实时铁路轨道分段算法，通过优化网络结构和在训练之后对模型进行量化，从而在边缘应用中实现适用性优化。实验结果表明，当输入尺寸为 480x480 时，我们改进的算法在达到 83.3% 的准确率的同时，实现了每秒 25 帧的实时推断速率，从而有效满足了实时和高效率操作的要求。
发现论文，激发创造
  • 超快速自适应跟踪检测网络

    该研究纸提出了一个超快的自适应轨道检测网络，旨在解决现有模型在速度和准确性方面的限制。通过使用水平坐标定位器和透视识别器两个专用分支，该网络能够针对不同镜头角度的轨道比例进行快速检测，具有较高的准确性和速度。

    May, 2024

  • JetSeg：用于低功耗 GPU 嵌入式系统的高效实时语义分割模型

    我们提出了一种用于实时语义分割的高效模型，称为 JetSeg，包括一个名为 JetNet 的编码器和一个改进的 RegSeg 解码器，JetNet 针对 GPU 嵌入式系统设计，包括 JetBlock 和 JetConv 两个主要组件以及 JetLoss 损失函数，实验结果表明，JetSeg 比现有的实时编码器 - 解码器模型更适合工作站设备和低功率 GPU 嵌入式系统，并且比其他模型快 2 倍。

    May, 2023

  • 铁路检测：一种高效的基于行的网络和一个新的基准

    本研究提出了一个包括铁路数据库和轨道行排列方法的高效铁路检测算法，通过基于行排列的选择方法，使用轻量卷积神经网络和锚定分类器实现，经实验表明，这种方式比传统方法高效且准确。

    Apr, 2023

  • RoadNet-RT: 实时道路分割的高通量 CNN 架构和 SoC 设计

    本文提出了一种基于 CNN 网络的轻量级、高吞吐量的 RoadNet-RT 架构，通过深入优化硬件设计和使用分离深度卷积和非均匀核大小卷积等技术，显著提高了道路分割的实时处理速度。相较于现有最先进的网络，在仅仅 6.2% 的精度损失下，RoadNet-RT 的速度提升了 20 倍。该 CNN 架构在 FPGA ZCU102 MPSoC 平台实现，计算能力达到 83.05 GOPS，每秒处理 327.9 帧大小为 1216x176 的图像。

    Jun, 2020

  • 利用端到端深度学习在铁路轨道上训练自我路径检测

    通过引入 “列车自我路径检测” 任务，本论文为智能车载视觉系统设计了一种精确的铁路轨道检测方法，并通过添加自我路径注释扩展了 RailSem19 数据集。TEP-Net 是一种端到端的深度学习框架，具备可配置的模型架构、动态数据增强策略和领域特定的损失函数，通过回归方法解决了轨道检测问题，并在测试集上实现了 97.5% 的 IoU，同时比现有方法更快。进一步的比较分析突显了 TEP-Net 背后的概念选择的相关性，表明其在不同的环境条件和运行动态下具有鲁棒性。本研究为智能驾驶辅助系统和自动列车运行的发展开辟了有前景的途径，为实现更安全、高效的铁路运输铺平了道路。

    Mar, 2024

  • 基于 FPGA 的 LiDAR 数据处理实现实时道路分割

    本研究提出了一种基于 FPGA 的卷积神经网络 (CNN) 设计，用于实时处理激光雷达数据的道路分割算法。通过在 LiDAR 传感器数据上训练神经网络模型，本文实现了高效的硬件设计，并成功实现每个 LiDAR 扫描的实时处理，实现了道路分割的高精度。

    Nov, 2017

  • 利用边缘计算实现实时视频分析通过自适应的时空语义过滤

    本文提出了一种新颖的边缘计算实时视频分析系统，包括跟踪辅助对象检测模块和感兴趣区域模块，在具有波动网络条件的情况下，通过无线网络将智能视觉设备连接到边缘服务器，通过基于深度 Q 网络的边缘处理方法和基于多臂赌博机的自适应配置选择方法来解决实时视频分析问题。通过大量的模拟实验评估了该解决方案的性能，并展示了其优势。

    Feb, 2024

  • 智能铁路道口：利用语义分割和目标检测提升安全性

    通过利用机器学习和计算机视觉技术，这项研究提出了一种智能系统，通过非极大值抑制（NMS）集成模型以及 UNet 架构的分割技术，对铁路公路环境进行目标检测和火车驶近监测，从而提高公路铁路交叉口的安全性。

    Mar, 2024

  • 实时在术中 X 射线中的导丝追踪和分割

    提出了一种用于实时导丝分割和跟踪的两阶段深度学习框架，包括一个用于精确定位导丝的 Yolov5s 检测器和一个用于分割导丝的新颖高效网络，通过定量和定性评估证明该方法在临床术中图像上表现出更高的鲁棒性和比当前技术更好的性能。

    Apr, 2024

  • 使用不对称标注的实时联合语义分割和深度估计

    利用深度学习模型在机器人中作为感知信息提取器的部署，有许多困难之处。本文着重探讨了其中三个最显著的障碍，即如何将单个模型适应于同时执行多个任务的需求、如何实现实时性、以及如何使用具有不对等标注数量的非对称数据集。通过使用实时语义分割网络和知识蒸馏的简单解决方案，我们将这些障碍一一克服。最终，我们的系统可以方便地扩展，使用单个模型同时处理更多任务和未来更多的数据集，能够在室内和室外分别执行深度估计和分割，并在 640x480 像素的输入上只需要一个前向通道即可实现 13ms 和 6.5 GFLOPs 成本的效果，从而直接将其用于场景的 3D 语义重建中。

    Sep, 2018