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

用卷积神经网络和航拍图像来自动估算道路段的自由流速度。

Jun, 2019

本文介绍了一种全自动的深度学习方法，用于从LiDAR和相机图像中提取驾驶道路边界的拓扑结构，通过结构的全卷积网络和卷积循环网络，本方法可获得高精度和召回率的驾驶道路拓扑结构。

Dec, 2020

该研究提出了一种名为SIWNet的深度学习回归模型，能够从摄像头图像中准确估计道路表面摩擦特性，该模型在网络中引入了一个额外的头部来估计预测区间，通过最大似然损失函数进行训练。研究结果表明，SIWNet的预测区间估计功能良好，并且与之前的最先进模型在点估计准确度上相当，而且SIWNet的架构比之前的模型轻量化了几倍，更加适合实际部署和高效使用。

Oct, 2023

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。

Mar, 2024

使用多模态传感器数据，从车前区域预测稠密抓地力地图，用于自动驾驶车辆在滑腻路况下的安全驾驶。

Apr, 2024

基于深度学习的卷积神经网络模型提出了一种准确估计道路表面的方法，并通过双编码器-解码器神经网络(TEDNet)分别提取摄像机和LiDAR数据特征，使用鸟瞰图像投影进行语义分割。该方法在道路表面感知领域表现优良，在实时应用中与摄像机和LiDAR保持相同帧率。

May, 2024

准确和及时地识别道路表面状况使车辆能够调整动作，如改变速度或使用特定的牵引控制技术，以降低事故的发生率，并减少驾驶员和行人的潜在危险。本文介绍了一种通过集成音频和图像进行道路表面状况自动检测的多模态方法。通过在各种环境条件和道路类型下收集的多样数据集进行鲁棒性测试。通过广泛的评估，我们证明了我们的多模态方法在准确识别道路表面状况的实时场景中的有效性和可靠性。我们的研究结果凸显了集成听觉和视觉线索以增强道路安全和降低事故风险的潜力。

Jun, 2024

本研究利用计算机视觉方法，在人行道和路面上检测积雪，以减少冬季相关的跌倒伤害，特别是对于老年人和视障人士。该研究采用经过精细调整的VGG-19和ResNet50卷积神经网络，重点是在这些图像中识别积雪的存在。研究使用包含98个图像的数据集，均匀分为积雪和无积雪条件，采用F1得分和准确性度量标准对其进行评估。本研究通过采用经过精细调整的卷积神经网络架构，有效地从智能手机拍摄的图像中检测到路面上的积雪，建立在现有研究的基础上。该方法结合了迁移学习和模型集成技术，综合了VGG19和ResNet50架构的最佳预测结果。这项研究展示了计算机视觉在应对冬季相关危害中对弱势群体的潜力，并取得了81.8%和81.7%的准确性和F1得分。

Jun, 2024

本研究针对交通安全与舒适性问题，提出了SurfaceAI，一个从开放街景图像中生成全面地理参考路面类型和质量数据集的管道。通过利用众包的Mapillary数据训练模型，SurfaceAI能够有效预测街道图像中的路面状况，为基础设施建模和分析提供了重要的数据支持。

Sep, 2024