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
本文研究使用事件相机结合深度学习进行行人检测任务,并比较了不同处理方法的效果,结果表明事件相机是解决现有问题的潜在技术。
May, 2023
本文旨在填补 3D 对象检测在自动驾驶中的知识空白,综述了相关领域的传感器、数据集、性能度量以及最新的检测方法,分析了其优劣,并进行了定量比较和案例研究,最后总结了研究成果和未来发展方向。
Jun, 2021
本文研究计算机视觉中的物体检测任务,分析其在自主驾驶汽车中的应用,并探讨目前物体探测器的现状和面临的挑战。
Jan, 2022
近期,随着计算机视觉的不断进步,自动驾驶很可能很快将成为现代社会的一部分。然而,仍然有许多需要解决的问题。本研究评估了我们先前提出的高效行人检测器 LSFM 在多样化的天气条件和夜间场景等经典自动驾驶测试中的稳健性,并将其扩展应用于交通场景中实时物体检测,同时提出了适用于自动驾驶的更合适的实时性能指标。
Jan, 2024
针对类别未知的对象进行高速、类别无关的开放世界目标检测,我们提出了使用事件相机的 DEOE 方法,该方法在时空一致性的基础上,结合了快速事件感知的骨干网络和解耦的物体性质分类头,实现了对新对象的定位以及背景过滤的强大能力。实验证实了我们提出的 DEOE 方法相对于现有的 RGB-based CAOD 对象检测方法的卓越性能。
Apr, 2024
本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用,包括基于激光雷达和基于相机的方法,并分析了各自的优缺点和潜在的应用场景。
Jun, 2022
本研究提出了一种通用的框架,将基于同步图像事件表示训练的模型转换为具有相同输出的异步模型,以便直接利用事件数据的本质异步性和稀疏性,并在目标检测和识别任务中实现了高达 20 倍计算复杂度的降低和 24% 的精度提高。
Mar, 2020
本文提出了一个深度神经网络方法,使事件摄像头在车辆转向角度预测等困难运动估计任务上发挥潜力,并展示了从传统到基于事件的视觉进行传递学习的优势和优于基于标准摄像头的最先进算法的表现。
Apr, 2018
自动驾驶的环境感知是关键因素,研究着重于实现实时感知与预测,通过在不同资源环境中进行计算卸载,最终的模型可以在云端实时运行并提供较好的性能。
Aug, 2023