颠覆交通标志识别:揭示视觉变换器的潜力
该研究论文解决了自动驾驶车辆和驾驶辅助系统中与交通标志检测相关的挑战,特别关注使用 Transformer 模型来提高检测的速度和准确性。
Nov, 2023
通过结合卷积网络和 Transformer 网络的优势,本研究提出了一种新型的模型用于交通标志识别,实验证明该模型在德国和波斯交通标志数据集上超过了纯 Transformer 模型和最佳卷积网络的准确率,并且在保持快速推理速度的同时,更适合实际应用。
Nov, 2023
本文提出了一种基于进化算法的改进型 Transformer 架构,用于医学图像分类。该架构在 Convolutional Neural Networks 和 Vision Transformers 的基础上结合了它们的优势,利用它们在数据中识别模式和适应特定特征的能力。实验结果表明,与基准模型相比,所提出的 EATFormer 显著改善了预测速度和准确性。
Mar, 2024
在交通运输不断演进的背景下,汽车的普及使道路交通更加复杂,需要先进的视觉辅助技术来提高安全性和导航能力。本文提出了一种基于卷积神经网络的创新方法,实现了接近 96% 的准确率,突出了通过高级定位技术可以实现更高的精度,这不仅对交通标志识别技术的持续发展有所贡献,也强调了这些发展对道路安全和自动驾驶的未来的关键性影响。
Mar, 2024
该论文综述探讨了视觉 Transformer 模型在自动驾驶中的应用,重点研究了自我注意力、多头注意力和编码器 - 解码器架构等基本概念,并比较了它们在目标检测、分割、行人检测、车道检测等应用中的架构优点和局限性,最后展望了视觉 Transformer 在自动驾驶中的未来研究方向。
Mar, 2024
通过定制化的数据增强技术以及包括合成图像生成、几何变换和基于障碍物的增强方法,该研究解决了交通标志识别中的关键挑战:类别不平衡和数据集稀缺。研究结果表明,在交通标志识别模型性能方面取得了显著改进,这对于交通标志识别系统具有重要意义。该研究不仅针对交通标志识别的数据集限制进行了探讨,还提出了适用于不同地区和应用领域类似挑战的模型,为计算机视觉和交通标志识别系统领域迈出了一步。
Jun, 2024
在表结构识别中,我们设计了一个轻量级的视觉编码器,通过使用卷积网络作为起始模块以达到高性能的目的,并提供了可重现性的剔除研究和开源代码以促进在我们的领域中的透明度、激发创新和促进公平比较。
Nov, 2023
我们使用 Swin Transformer 实现实时车标识别,通过在三个公共车标数据集上进行广泛实验,取得了 99.28%、100% 和 99.17% 的令人印象深刻的顶级准确性结果,证明了我们方法在现有方法上的优越性。未来的研究可以探索和优化 Swin Transformer 在其他车辆视觉识别任务中的应用,推动智能交通系统的发展。
Jan, 2024
该论文提出了一种使用胶囊网络的交通标志检测新方法,通过动态路由和路由协议算法,胶囊网络可以更好地捕获图像的姿态、视角和方向,提高了自主车辆交通标志检测的可靠性和准确性。
May, 2018
在现代网络物理系统和智能交通系统中,提高道路安全和交通管理已成为一个重要的关注领域。通过引入一种新的基于 transformer 的方法 —VT-Former,并结合 Graph Attentive Tokenization (GAT) 模块,我们提出了一种精确的车辆轨迹预测方法。在三个基准数据集上的研究表明,VT-Former 在车辆轨迹预测方面具有最先进的性能,并且具有普适性和鲁棒性。我们还评估了 VT-Former 在嵌入式板上的效率,并探讨了其作为样本应用的车辆异常检测潜力,展示了其广泛的适用性。
Nov, 2023