自动驾驶系统感知测试中寻找相关图像的最佳点位
为了证明自动驾驶汽车可以安全、稳健地处理多种不同情况的交通,提出了一个通过 KI Absicherung 本体论将集体专家知识描述转化为场景和情境来提取自动驾驶数据集中的极端案例,并评估检测网络性能的流程。
May, 2023
本文提出一种基于直接感知的自动驾驶范式,使用深度卷积神经网络将输入图像映射到与驾驶相关的感知指标,并证明该方法可以成功地应用于不同的虚拟环境和现实场景。
May, 2015
本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案,包括基于 YOLOv3 的物体检测,姿态估计和双目 / 单目视觉摄像头的时间同步,强调了适用于赛车领域的感知卷积神经网络的修改,姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估,证明其在实际赛车场景中具有准确性和低延迟性。
Jul, 2020
本文研究了自动驾驶系统中车辆安全性的提高、深度学习基础的障碍物检测和分割、雷达传感器和摄像头传感器的融合,以及在车辆感知中的数据集、度量、挑战和开放性问题,这些元素对于提高自动驾驶系统的普及率具有重要意义。
Mar, 2023
提出了一种基于 CLIP 的驾驶员活动识别方法,该方法可以从自然驾驶图像和视频中识别驾驶员分心行为,并具有零样本迁移和面向任务的微调的特点。
Jun, 2023
本文提出一种自动标注的方法,用于驾驶车道的语义分割并优化数据循环以不断改进感知模块,从而减少传统标注方法的手动成本,并解决数据驱动感知领域的关键问题之一。
Jul, 2022
CLIP 模型是基于文本查询的图像检索的重要进展,通过在大规模数据集上进行训练获得显著的泛化能力,实现了图像和文本的跨模态理解,促进了自然语言理解和计算机视觉的无缝集成,为多媒体应用中的信息检索提供了强大的工具。
Jan, 2024
通过产生更好的数据和寻找替代方法来改进图像描述系统的评估,因为当前的图像描述数据集质量不足。需要更详细的指导方针来考虑视觉障碍用户的需求和生成适当的描述。
Jun, 2020