本文介绍了一种新颖的方法来同时预测自动驾驶中车辆的位置和规模，这主要是通过使用多流递归神经网络编码器 - 解码器模型来实现，在该模型中，密集的光流加入了捕捉运动和外观变化信息的能力。此外，本文还发现明确建模车辆的未来运动可以提高预测准确性。

Sep, 2018

通过利用本体神经信号的无监督约束来规范化卷积神经网络的特征学习，以学习关于本体视角下图像的视觉表征，进而实现一些视觉认知任务的显著性能提升，尤其是在自动驾驶平台捕获的无人机图像中进行的大规模场景识别。

May, 2015

利用身体携带的相机和传感器，通过对用户的视角进行全景导航数据收集，提出了一种基于周围静态场景的人体运动预测方法，该方法利用扩散模型生成潜在的未来轨迹分布，并引入了一种紧凑表示方法来编码用户对环境的视觉记忆，以及一种高效的样本生成技术来加速扩散模型的实时推理。对模型进行了实验和基准测试，结果表明该模型在避免碰撞和轨迹模式覆盖等关键指标上优于现有方法。

Mar, 2024

我们研究了司机的决策过程对确保道路安全的重要性，通过利用司机的注视数据来推测司机自身的车辆行驶轨迹，提出了 G-MEMP 方法，利用 GPS、视频和注视数据进行多模态的自身车辆行驶轨迹预测，并通过提出的路径复杂度指数（PCI）来评估轨迹复杂性，在多个基准数据集上验证了该方法的有效性。

Dec, 2023

提出了一种基于事件相机的无监督学习框架，通过事件流中的运动信息来学习运动，该框架包含用于事件的输入表示、用于预测运动的神经网络、用于运动补偿的方法以及用于测量运动模糊的损失函数，并使用该框架训练了两个网络，一个用于预测光流，另一个用于预测自运动和深度。最后，使用 Multi Vehicle Stereo Event Camera 数据集进行了定量和定性结果的评估。

Dec, 2018

本文介绍了一种特定用于人物运动的光流算法，通过构建图像序列的数据库并使用卷积神经网络的方法进行人物运动光流估计，得到了比其他方式更为准确的结果，这一方法可应用于人物运动分析等领域。

Jun, 2018

本文提出了一种基于场景进行评估的新模式，以评估自主行驶系统中行人轨迹预测算法的挑战，并通过实证评估在多模态来源数据的融合和有效的分层方式下取得了显著的改进。

Oct, 2023

本文提出了一种新的 KF-based 预测模块，通过整合相机运动、深度信息和目标运动模型，解耦相机运动对目标轨迹的影响，最大程度地提高目标运动模型的可靠性，从而显著降低 OC-SORT 和 Deep OC-SORT 的身份切换数量，提高性能指标如 HOTA 超过 5%。

Apr, 2024

本文介绍了一个基于计算机视觉和人类动态视觉系统的深度学习模型，该模型采用可训练的动量能量感知和一种自适应运动集成和分离的循环自我关注网络相结合的方法，能够更好地解释人类视觉运动处理。

May, 2023

本文提出了一种基于立体视觉的方法，用于在动态自动驾驶情景下跟踪摄像机姿态和三维语义对象，该方法使用易于标注的二维检测和离散视点分类结合轻量级语义推理方法获取粗略的三维物体测量，并基于当前的物体感知相机姿态跟踪实现物体位置的估计与 3D 建模以获得精确度和时间一致性。

Jul, 2018