通过训练和评估 YOLOv8 和 RT-DETR 模型的不同版本，我们的研究项目旨在创建和验证一个先进的深度学习框架，能够处理复杂视觉输入，以实时识别各种环境中的汽车和行人。YOLOv8 Large 版本被证明是最有效的，在行人识别方面具有很高的准确性和鲁棒性。研究结果表明，该模型能够显著提高交通监控和安全性，成为计算机视觉领域实时可靠检测的重要贡献，并为交通管理系统建立了新的基准。

Apr, 2024

本文研究计算机视觉中的物体检测任务，分析其在自主驾驶汽车中的应用，并探讨目前物体探测器的现状和面临的挑战。

Jan, 2022

自动驾驶的环境感知是关键因素，研究着重于实现实时感知与预测，通过在不同资源环境中进行计算卸载，最终的模型可以在云端实时运行并提供较好的性能。

Aug, 2023

本论文提出了一种在交通监控应用中实现交通事故检测的高效框架，包括基于 YOLOv4 方法的准确物体检测、基于 Kalman 滤波器以及匈牙利算法的对象跟踪，以及轨迹冲突分析的事故检测，并且用于真实交通视频数据的实验结果证明了该方法的实时应用的可行性。

Aug, 2022

事件相机在自动驾驶中利用事件数据进行目标检测具有竞争优势。该论文提供了事件相机在自动驾驶中目标检测的概述，强调了事件相机的低延迟和轻量级架构的竞争性优势。

May, 2024

本文提出了一种基于卷积神经网络（CNN）的方法，利用相机和 LiDAR 传感器的运动信息来检测移动物体，以应对低光条件下的自动驾驶车辆中的移动对象检测问题，并在 KITTI 数据集上进行了验证。

Oct, 2019

自主驾驶的关键要求是高精度、轻量化和实时响应，本文提出了一种自适应、实时和轻量化的多任务模型，能够同时处理目标检测、行驶区域分割和车道检测任务，并且无需特定定制结构或损失函数。该模型在 BDD100k 数据集上取得了竞争性的结果，尤其在可视化输出方面。此外，通过引入真实道路数据集评估了模型在真实场景中的性能，表现出超出竞争对手的优越性能，证明了模型不仅具备竞争性能，而且更加灵活快速。

Oct, 2023

从车辆收集的视频中进行三维重建较为困难，车辆的前向运动速度较快。与标准基准相比，对象经常出现在相机远离的地方，图像质量通常会因为运动模糊而降低，并且经常会发生遮挡。这导致了交通数据专门基准的普及。最近，光探测与测距（LiDAR）传感器因其直接估计深度而变得流行，无需进行三维重建。然而，与基于图像的方法相比，基于 LiDAR 的方法在远距离的关节人体检测方面仍然存在欠缺。我们假设针对 LiDAR 数据的关节人体感知基准可以促进交通中关于人体感知和预测的研究，并可能提高行人的交通安全。

Sep, 2023

在现代自动驾驶领域中，感知系统是不可或缺的，它可以准确评估周围环境的状态，从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估，通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估，特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较，发现多模态的 3D 检测方法表现出更强的鲁棒性，并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角，从而引导未来的研究朝向鲁棒性为中心的发展。

Jan, 2024

这篇论文研究自动驾驶中的实时视频物体检测问题，提出了一种基于流式预测的新型深度学习方法，该方法使用双流动态静态感知模块（DFP）来捕捉运动趋势和基本检测特征，并引入趋势感知损失（TAL）和趋势因子来产生适应性权重，进而优化移动车辆物体的检测结果。

Mar, 2022