Mar, 2024

北欧地区的车辆检测性能

PDF
TL;DR本研究使用北欧地区的无人机图像数据集（Nordic Vehicle Dataset）评估了最先进的车辆检测算法在恶劣天气条件下的性能，并针对其中的困难问题提出了一系列针对不同检测框架的增强方法，包括数据增强、超参数调整、迁移学习以及针对 DETR 模型的新策略。研究结果不仅凸显了当前车辆检测系统在北欧环境中存在的局限性，而且为改善这些算法在冬季景观的复杂性中的鲁棒性和准确性提供了有希望的方向。
vehicle detectionwinter conditionsnordic regionsdeep learning architecturesnordic vehicle dataset
发现论文，激发创造
  • Nordic Vehicle Dataset (NVD): 使用从无人机新采集的 NVD 在不同雪天气象条件下检测车辆性能

    本研究旨在解决雪天采用无人机捕捉到的汽车图像识别问题，提出使用 Yolo v8，Yolo v5 和快速 RCNN 等常用目标检测方法，并探索数据增强技术提高检测器的性能。

    Apr, 2023

  • 雪景清晰检测：一种在恶劣天气条件下的交通信号灯检测鲁棒模型

    通过引入一种新的框架和流程，我们提出了一种改善恶劣天气下目标检测的方法，重点解决了传统方法在交通信号灯检测方面由于恶劣天气所引起的领域转移问题。我们详细分析了现有技术的局限性，我们的流程在雪天、雨天和雾天中显著提高了检测精度。结果显示与简单调整相比，平均 IoU 和 F1 分数提高了 40.8％，在域转移情况下（如在人工雪天训练，在雨天图片测试）性能提高了 22.4％。

    Jun, 2024

  • 极化编码图像和自适应深度学习在恶劣天气条件下的道路场景分析

    本篇论文研讨了一种基于极化成像模态的新型物体识别技术，证明该技术在恶劣气候条件下比 RGB 图像更具有效性，能有效提高不同检测任务的状态机会 20% 至 50%。

    Oct, 2019

  • 恶劣天气下的视觉：利用 CycleGAN 和各种目标检测器进行增强，实现自主赛车中的鲁棒感知

    通过使用 CycleGAN 合成多个天气条件下的数据集，我们在自主赛车中将最先进的四个探测器的性能平均提高了 42.7 和 4.4 mAP 百分点，并进行了五种目标探测器的比较分析，以确定在挑战性条件下自主赛车中使用最佳探测器和训练数据。

    Jan, 2022

  • 基于视觉的复杂背景和雨天下的无人机检测

    本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

    May, 2023

  • 在德国训练，在美国测试：实现三维物体检测器的泛化

    本文研究了自动驾驶中的三维物体检测适应性问题，发现适应性差距的主要障碍在于地理区域间的车辆大小差异，提出了一种简单的校正方法，可用于大多数三维物体检测框架，为跨国家的三维物体检测适应性提供了第一个基准。

    May, 2020

  • 基于深度神经网络的车辆图像分析：一项系统研究

    使用深度神经网络方法解决车辆检测和分类问题，提出了在限制数据集大小情况下，如何利用 DNN 进行车辆检测，哪些特征对于车辆分类有用，以及如何扩展模型到极端光照条件。所提出的方法表现优于现有方法，在光照条件极端的图像上取得了有希望的结果。

    Jan, 2016

  • 自主驾驶中的公平性：对挑战性天气下目标检测的混淆因素的理解

    自主驾驶车辆部署迅速扩张至多个城市。本研究分析了目前最先进的基于 Transformer 的目标检测器中对行人检测公平性的全面实证分析，包括经典度量和新颖的基于概率的度量，以探索保护属性和环境因素对目标检测性能的影响。

    May, 2024

  • 在目标检测中进行鲁棒性基准测试：自动驾驶应对冬日来临

    该论文提供了一个易于使用的基准来评估深度学习模型在图像质量下降的情况下完成目标检测的能力，并通过数据增强方法，即对训练图像进行艺术风格化处理，有效提高了模型鲁棒性。

    Jul, 2019

  • 无人机热图中使用深度学习进行目标检测

    本研究提出了一种神经网络模型，能够在无人机收集的热像图中识别小型和超小型目标。模型结构包括骨干网络、中间层和预测头，其中骨干网络基于 YOLOv5 结构，结尾使用了 Transformer 编码器。中间层采用了 BI-FPN 块以及滑动窗口和 Transformer 增加预测头的信息输入。预测头通过 Sigmoid 函数对特征图执行检测。Transformer 的注意力和滑动窗口的使用提高了识别准确性，同时保持了模型在嵌入式系统中的合理参数和计算需求。实验在公共数据集 VEDAI 和自己收集的数据集上进行，结果表明，与 ResNet、Faster RCNN、ComNet、ViT、YOLOv5、SMPNet 和 DPNetV3 等最先进方法相比，本模型具有更高的准确度。在嵌入式计算机 Jetson AGX 上的实验表明，本模型实现了实时计算，并具有超过 90% 的稳定性率。

    Feb, 2024