Mar, 2024

时间增强浮动车观察者

PDF
TL;DR浮动车观察者方法可使用传感器装备的车辆收集交通数据，通过微观交通仿真模拟的检测模拟，即使 FCOs 的渗透率很低也能够在给定路口识别出大量车辆，在当前帧中，利用先前时刻的数据可以增强对车辆的检测。我们的研究发现，使用 20 秒的观测窗口，可以在当前时间步中恢复不可见的车辆中的 20％，为此，我们开发了一种数据驱动策略，利用检测到的车辆的鸟瞰图表示和深度学习模型，旨在将当前未检测到的车辆显露在当前时间点上，结果显示，不同的时空结构可以将多达 41％的车辆恢复到当前时间步骤及其当前位置，这使得最初由 FCO 提供的信息更加丰富，可以改进交通状态和度量值（例如密度和队列长度）的估计，从而改善交通管理策略的实施。
floating car observerstraffic datadetectionbird's eye viewdeep learning models
发现论文，激发创造
  • F-Cooper: 以 3D 点云为基础的自动驾驶车辆边缘计算系统的特征协作感知

    提出面向智能互联汽车的点云特征协同感知框架 (F-Cooper)，通过特征融合，实现了目标检测精度的提升，并在进行实时边缘计算的同时，避免了网络拥塞和通信延迟的问题。

    Sep, 2019

  • 利用图像处理和几何计算估计目标车辆的地理位置

    本研究提出了一种新方法，通过整合深度学习、图像处理和几何计算来解决观测车辆定位问题，通过移动传感器或 MV 上搭载的单目摄像头，可以成功地动态地估计车辆的经纬度信息。

    Mar, 2022

  • 利用功能工作组和传感器通道的车辆时间异常检测系统

    本文介绍了基于 Temporal Convolution Networks 的多阶段异常检测方法，使用 Vehicle Performance，Reliability 和 Operations (VePRO) 数据集，结合多个 FWG 的传感器来提供高达 96% 的检测精度和 91% 的准确预测。

    Sep, 2022

  • 基于前后向视点变换的三维占据预测

    本文简述了在 3D 占用预测挑战中获胜的解决方案，该方案基于 FB-BEV，并在其基础上进一步研究了针对 3D 占用预测任务的新设计和优化。最终结果表明，该方案在 nuScenes 数据集上获得了最先进的 mIoU 得分，排名挑战榜的第一位。

    Jul, 2023

  • 自动驾驶车辆存在遮挡因素的可解释目标识别

    本研究提出 Goal and Occluded Factor Inference (GOFI) 算法，在自动驾驶场景下应用逆向规划技术共同推断目标和潜在的遮挡因素的概率信念，并将这些信念集成到蒙特卡罗树搜索（MCTS）中，从而更准确地预测其他智能体的行为并避免碰撞等风险。

    Aug, 2021

  • FisheyeMODNet: 自动驾驶周视摄像头上的移动物体检测

    本研究提出一种卷积神经网络模型，用于使用自主驾驶环境中捕获的鱼眼图像进行运动物体检测，并设计了一个轻量级编码器来实现嵌入式部署。

    Aug, 2019

  • FuCoLoT -- 一种完全关联性的长期跟踪器

    本论文介绍了一种基于 DCF 约束滤波器学习方法的全关联长期追踪器 (FuCoLoT)，该追踪器利用多个训练在不同时间尺度的相关滤波器作为探测器组件，并采用基于相关响应的追踪失败估计机制，能在几乎所有短期和长期标准基准测试中实现最先进的结果，并且比其最好的竞争对手占用更少的内存，并且以 15fps 的速度在单个 CPU 线程上运行。

    Nov, 2017

  • 基于多特征的车辆检测技术在地理定位空中视频语义压缩中的应用

    本文提出了一种利用深度学习和流张量时空滤波相结合的多线索检测管道，可以高效地检测移动车辆并结合上下文信息进行语义压缩，以更好地利用空地网络链路的有限带宽。

    Jul, 2019

  • FastOcc: 通过融合二维俯视图和透视视图加速三维占据预测

    在自动驾驶中，通过分析网络效应和延迟，本文提出了一种名为 FastOcc 的新方法，通过用轻量级的 2D BEV 卷积网络代替时间消耗较大的 3D 卷积网络，加快模型的推理速度，同时保持准确性，从而实现了优越的性能。

    Mar, 2024

  • 快速移动物体的世界

    介绍了快速移动物体（Fast Moving Object，FMO）的概念和一种用于检测、跟踪和定位 FMO 的方法，该方法包含三个算法，成功地在广泛的条件下定位 FMO，进而实现了时间超分辨率和高亮度显示等应用。

    Nov, 2016