通过提出一种新的深层模型，从多个数据源中学习高级特征和多个任务，这项工作联合优化了行人检测及语义任务，包括人行属性，场景属性等，并设计了一个多任务函数来协调任务和减少数据集之间的差异，通过大量验证，证明了该方法在 Caltech 和 ETH 数据集上优于最先进的模型.

Nov, 2014

利用通用化人工智能改进无标签目标场景的多视角 3D 行人检测，通过使用未经训练的检测器的自动标注方法，可以获得比直接使用未经训练检测器或使用现有标记的源数据集训练的检测器更好的结果。在使用 WILDTRACK 和 MultiviewX 作为目标数据集时，MODA 比现有的无标签方法分别提高了 4% 和 1%。

Aug, 2023

该研究提出一种基于未标记数据、仅使用简单常识启发式方法，无需人工标注就能自我训练出一种高度准确的 3D 物体探测器，从而实现将自动驾驶技术应用到全球各地。

Mar, 2022

通过使用生成对抗网络（GAN）生成大规模合成数据集并训练辨别分类器，使得数据可以更好地匹配真实场景中的 “危险行人”，并可以应用于 “尾部场景” 的验证和排名算法，解决了现实场景中 “危险行人” 数据收集不足的问题。

Mar, 2017

本文探讨了机器视觉的图像标签中主观人类判断的三大影响源 —— 图像标签描绘、评定者背景与任务定义，提出了处理机器学习数据集中的标签歧义的最佳实践。

Jun, 2023

本研究通过直接的跨数据集评估的一般性原则，发现了现有最先进的行人检测器在跨数据集评估中通常表现不佳，主要因为其设计可能偏向传统的单数据集训练测试流程中的流行基准，而训练数据源不够密集和多样化。此外，本文提出了一条渐进的培训流水线，可以明显地提高与自动驾驶相关的行人检测的性能。

Mar, 2020

本文提出了一种制作模糊图像数据集的方法，并使用此数据集评估现有视觉事件分类模型。实验结果表明，现有的视觉模型无法针对模糊图像提供有意义的输出，因此需要更多类似模糊图像数据集的创造和模型的研究。

Oct, 2022

本篇论文提出使用单个车载摄像头的深度学习方法预测行人轨迹，通过引入可扩展的机器注释方案来解决训练数据不足的问题，并提出了动态轨迹预测器（DTP）来预测未来一秒的行人轨迹，实验证实了该模型的好处。

May, 2019

研究了用于自动检测语义分割数据集中标注错误的算法，其中应用了 7 种不同的质量评分方法，最有效的方法是使用准确率和召回率的模型预测概率的软最小值来识别标注错误的图像。

Jul, 2023

我们设计了一个便携的数据采集系统，结合了自主标注流水线，通过一个标签修正的网络应用来实现对自动行人跟踪结果的人工验证，在多个环境下实现大规模数据采集和快速轨迹标签生产。与现有行人数据采集方法相比，我们的系统具备了自上而下和自我中心视图的组合、在社交适宜的 “机器人” 情境下的自然人类行为以及基于度量空间的经过人工验证的标签，是第一个同时集成这三个组成部分的数据采集系统。我们进一步介绍了我们正在进行的数据采集工作的不断扩展的数据集 ——TBD 行人数据集，并展示了与具有人工验证标签的先前数据集相比我们采集的数据更大规模、包含更丰富信息，并支持新的研究机会。

Sep, 2023