车辆损伤检测与补丁对齐的自监督图像配准
本文提出了使用合成数据进行汽车损伤评估的方法,通过训练计算机视觉系统进行图像的部件和损伤分割,并展示了合成数据在部件分割和损伤分割任务中的优势。
Nov, 2023
基于自主车辆的关键挑战是准确检测环境中的物体。我们引入 PatchContrast,这是一个创新的自我监督点云预训练框架,用于 3D 物体检测。通过提出两个抽象层次的利用,我们学习未标记数据的判别性表示:提案级别和补丁级别。提案级别旨在确定物体相对于周围环境的位置,而补丁级别增加了关于物体组件之间内部连接的信息,从而根据它们的独立组件区分不同的对象。我们展示了如何将这些级别集成到自我监督预训练中以增强下游的 3D 检测任务,并证明我们的方法在三个常用的 3D 检测数据集上优于现有的最先进模型。
Aug, 2023
我们提出了一种改进的 “剪切 - 粘贴” 增强技术,既考虑了图像中道路的真实位置,又考虑了注入损伤和目标图像之间的透视差异。
Jun, 2024
使用深度学习算法进行场景理解已被广泛应用于不同的产业领域,现在保险公司通过允许客户上传用手机拍摄的图片来快速处理小额索赔,在处理索赔之前,由于日益增长的索赔量,为避免因同一案件而产生的反复索赔,必须进行防欺诈检查,本文提出一种新的方法,该方法可以定位、高效地生成深度特性,使用我们提出的数据集进行实验,进一步证明了该方法的有效性.
Apr, 2018
本研究通过使用卷积神经网络进行物体检测的最新方法,创建了一个可供公开使用的大型路面损伤数据集,该数据集包含了来自 7 个日本市的 9053 张路面损伤图片,针对这个数据集训练出有较高准确性的路面损伤检测模型,并成功将损伤分为八个类型。
Jan, 2018
提出了一种由声音信号触发的物理对抗性贴片 TPatch,其具有声物质注入攻击引入的设计失真,可以在正常情况下保持良性,但可以通过触发来启动隐藏、创造或改变攻击。通过基于内容的伪装方法和攻击韧性增强方法,我们提出了避免引起人类驾驶员怀疑并使攻击在真实世界中实用和强韧的方法。使用三种对象检测器(YOLO V3/V5 和 Faster R-CNN)和八种图像分类器对 TPatch 进行评估,这既在模拟环境中也在真实世界中表明了 TPatch 的有效性。我们还讨论了传感器、算法和系统级别的可能防御方法。
Dec, 2023
这篇研究论文介绍了一种使用深度学习和图像处理技术进行坑洼检测的新方法,提出的系统利用 VGG16 模型进行特征提取,并采用自定义的具有三重损失的 Siamese 网络(称为 RoadScan),以解决道路上的坑洼问题对道路使用者的重大风险。
Aug, 2023
本研究提出了一种自动特征融合策略 AutoAlign,通过可学习的对齐映射以及交叉注意力特征对齐模块和自监督跨模态特征交互模块实现图像和点云数据源的同步处理,实验结果表明该方法在 KITTI 和 nuScenes 数据集上都有较好的表现。
Jan, 2022
该研究介绍了一种创新方法,以肿瘤为核心,针对基于块的图像分析问题,解决了类别不平衡和边界缺陷的困境,提高了医学图像分割的准确性和计算机辅助诊断系统的性能。
Aug, 2023
本研究提出了一种新的学习方法来纠正单个输入图像中具有各种扭曲类型的文档图像,特别是在图像补丁上首先学习了扭曲流,通过在梯度域中处理拼接结果将其缝合到矫正的文档中,提出了第二个网络来纠正不均匀的光照,从而在合成和真实数据集中显着提高了整体准确性。
Sep, 2019