Mar, 2024

基于轨迹辅助的事件摄像头物体检测

PDF
TL;DR在这篇论文中，我们考虑将不可见的物体视为伪遮挡物体，并旨在揭示它们的特征。我们提出了可视属性和自动标注算法来处理现有事件相机数据集，并利用跟踪策略来保持伪遮挡物体的永久性和边界框，同时引入了时空特征聚合模块和一致性损失以提高整体流程的稳健性。实验证明，额外的可见性标签可以辅助有监督训练，并且我们的方法在绝对 mAP 上比最先进的方法表现出显著的改进，提高了 7.9%。
发现论文，激发创造
  • 学习目标不变的物体跟踪

    该论文提出了一种端到端可训练的方法，结合物体检测和跟踪，并引入了序列记忆模块，使其更好地处理多物体跟踪，尤其是遮挡的情况。经过大规模的合成数据和实际测试，在 KITTI 和 MOT17 数据集上取得了最先进的性能表现。

    Mar, 2021

  • 离线实时追踪

    通过利用物体的持续存在性概念，我们提出了一个离线追踪模型，专注于被遮挡的物体轨迹，并使用向量化地图来改善跟踪结果，从而有效地恢复被遮挡的物体轨迹。在车辆轨迹方面，该模型在 3D 多物体跟踪中取得了显著的改善，比原始在线跟踪结果提高了 45% 的 IDS 和 2% 的 AMOTA。

    Oct, 2023

  • 自动驾驶中基于事件的深度目标检测：综述

    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

  • 使用 100 万像素事件相机学习物体检测

    本文介绍了一种基于事件相机的物体检测任务的解决方案，包括了首个高分辨率大规模数据集的发布、一种新的递归架构和一种时间一致性损失函数，这些对于更好的训练结果至关重要，而且在需要高动态范围，低延迟且具有挑战性的光照条件的情况下比传统的基于帧的解决方案更加高效而准确。

    Sep, 2020

  • 使用事件和图像帧进行非同步光度特征跟踪

    该论文介绍了一种利用事件相机和标准相机的互补性来实现低延迟跟踪视觉特征的方法，通过提取标准相机的特征和利用事件相机的低延迟更新，该方法能够在各种场景下产生比现有技术更准确、更长的特征跟踪。

    Jul, 2018

  • 使用伪标签的半监督视频显著目标检测

    本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。

    Aug, 2019

  • 通过事件相机看透动态遮挡

    通过结合传统相机和事件相机，本文提出了一种在动态遮挡存在的情况下从单个视点重建背景的新方法，利用遮挡引起的事件提供高时间分辨率的相对强度变化信息，实现对背景内容的更准确重建。通过大规模数据集的实验证明，我们的方法在图像修复方面比图像修复方法的 PSNR 提高了 3dB。

    Jul, 2023

  • 视而不见，仍在脑海中：基于视频追踪启用记忆模型的未被观察到的物体的推理与规划

    通过将变形器关系动力学用于部分视图点云和物体发现和跟踪引擎，我们提出了 DOOM 和 LOOM，旨在将面向对象的记忆编码到多物体操纵推理和规划框架中，以实现机器人在真实环境中可靠地处理先前观察但当前被遮挡的物体的问题，并成功实现了包括处理遮挡物体、新物体出现和物体再出现在内的多个具有挑战性的任务。通过大量的仿真和真实世界实验，我们发现我们的方法在不同数量的物体和干扰动作数量方面表现良好，并且超过了隐式记忆基准。

    Sep, 2023

  • 事件辅助的低光视频目标分割

    该研究介绍了一种创新的框架，针对低光条件下的视频物体分割，利用事件相机数据提高分割准确性。该方法包括自适应跨模态融合模块（ACMF）和事件引导的内存匹配模块（EGMM），并创建了一个合成的 LLE-DAVIS 数据集和一个真实世界的 LLE-VOS 数据集，实验证实了该方法在低光照情况下的有效性。

    Apr, 2024

  • 自动驾驶中的 3D 物体可见性预测

    通过引入可见性属性和计算策略，提出了一种新的算法以扩展自主驾驶的功能，从而增强实时自主驾驶在实际场景中的安全性和可靠性。

    Mar, 2024