Jun, 2024

基础模型可靠地辨识空间危险吗？以路缘分割为案例研究

PDF
TL;DR该研究通过设计最大的路缘分割数据集来研究基础模型在路缘分割中的有效性，并发现现有的基础模型在路缘分割方面存在着显著挑战，因为其高误报率和无法快速提供实时辅助，因此提出了筛选边界框的解决方案来实现更准确的路缘分割。总体来说，虽然基础模型具有立即的灵活性，但在实际的辅助技术应用中仍需要改进，并强调了专门的数据集和量身定制的模型训练来解决 PBLV 的导航挑战，并凸显了基础模型的隐含弱点。
curbscurb segmentationassistive technologiespblvfoundation models
发现论文，激发创造
  • 基于 LiDAR 的自动驾驶验证中的路缘检测

    本论文介绍了一种从 LiDAR 传感器捕获的一系列点云中检测三维路缘的方法，该方法包括两个主要步骤：利用分割深度神经网络在每次扫描中检测路缘；然后，利用车辆的里程计数据在重建的点云中估计三维路缘。通过实验证实了该方法的有效性并验证了其可以显著减少手动注释时间并保持数据质量水平。

    Dec, 2023

  • 基于 LiDAR 点云分割的路缘检测框架 CurbNet

    CurbNet 是一种使用点云分割进行路边检测的新型框架，通过利用高度变化来训练模型，采用多尺度和通道注意力模块以及曲线拟合技术，在噪音减少、检测精度提高的同时，实现了卓越的检测性能和鲁棒的泛化能力，创立了新的基准水平。

    Mar, 2024

  • 车道检测中曲线建模与路面回归的解耦

    本文提出了一种新的车道检测方法，通过将车道检测任务分解为曲线建模和地面高度回归两个部分，使用参数化曲线在 BEV 空间中表示车道，以反映车道的原始分布，并通过设计新的框架和一系列损失函数统一了 2D 和 3D 车道检测任务，在 2D 车道检测基准数据集 (TuSimple 和 CULane) 以及最近提出的 3D 车道检测数据集 (ONCE-3Dlane 和 OpenLane) 上取得了显著的改进。

    Sep, 2023

  • 优化视觉基础模型用于民用基础设施中裂缝分割

    该研究通过引入视觉基础模型用于裂缝分割，并采用两种参数高效微调方法来提高其性能，通过比较实验验证了该方法在各种条件下的零样本性能表现，并为土木工程中视觉模型的发展提供了新思路。

    Dec, 2023

  • 基础分割模型的稳健性分析

    本文通过性能评估研究了在分割任务中对真实世界分布偏移抗干扰能力的不同模型，发现 Visual Foundation Models（VFMs） 对基于压缩的破坏不具备鲁棒性，而非 VFM 模型在监督下表现更加强健，但在零样本评估中仍然竞争性鲁棒，VFMs 则在特定类别的对象上表现出更高的韧性。

    Jun, 2023

  • 预测城市变化对行人和道路安全的影响

    本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

    Feb, 2022

  • 使用预处理的 Lidar 数据进行人行分类和信号交叉口到达时间预测的框架

    研究表明，使用轮椅的行人死亡率比整体人口的行人死亡率高 36％。使用机器学习和深度学习模型，结合先进的交通传感器，设计了一个系统架构，可以区分残障人士和正常行人，并预测到达下一个路口的时间。该方案表现出了较高的脆弱用户分类和到达时间预测准确性。

    Jan, 2022

  • 曲线结构的联合分割和路径分类

    本文研究了识别图像中曲线结构的问题，提出了一种基于深度网络的方法，同时执行分割和路径分类这两个任务，以实现整个处理流程的连贯性，并在道路和神经元数据集上应用该方法。

    May, 2019

  • 基础设施裂缝分割：边界指导方法与基准数据集

    本文提出了边界引导裂纹分割模型（BGCrack），通过将边界特征引入裂纹识别，采用高频率模块、全局信息建模模块、联合优化模块等结构和模块，并提供了一个为钢结构建立统一的公平基准的钢板裂纹数据集。

    Jun, 2023

  • ELEV-VISION-SAM: 综合视觉语言和基础模型用于建筑物最低地板高程的自动估计

    该研究通过将 Segment Anything 模型与视觉语言模型相结合，对街景图像进行文本提示图像分割，从而改进了街景图像的分割质量及其在低洼地区的可见性估计模型，从 33% 提高到 56%。这个方法不仅推进了城市分析中的街景图像分割，还为其他土木工程和基础设施分析任务的图像分割提供了新的方法。

    Apr, 2024