铁路上可靠的障碍物检测可以帮助防止导致伤害、潜在的损坏或脱轨的碰撞。我们提出利用浅层网络从正常的铁路图像中学习铁路分割，并通过学习虚构无障碍图像的全局信息的受控包含来改进方法。我们在一个包含人工增强障碍物的铁路图像数据集上评估我们的方法，结果表明我们的方法优于其他基于学习的基准方法。

Jul, 2023

该研究论文提出了一种基于光流的移动物体检测框架，利用单应性矩阵在线构建光流背景模型，并设计了一个双模式判断机制来提高系统对复杂场景的自适 应性，实验证明该方法优于现有的方法，具有适应不同场景的优势。

Jul, 2018

无标注图像分割和定位是自主机器人学习将图像解析为个体对象的关键能力，本研究提出了一种新的损失函数，利用无标注视频中的光流信息辅助自我监督视觉转换器的特征优化，实现了无标注语义分割的优于现有技术的性能。

Jul, 2023

一个方法用于指导视障人士在繁忙的街道上行走，通过使用视觉图像、物体检测和光流估计等技术，提供必要的信息和警告。

Oct, 2023

本文提出了一种端到端可训练网络 SegFlow，用于同时预测视频中逐像素对象分割和光流，并通过统一框架双向传播对象分割和光流的有用信息。实验证明，引入光流可提高分割性能，同时改善了最先进算法的结果。

Sep, 2017

我们提出了一种利用最新的基础模型 Segment Anything Model（SAM）的非监督流网络 UnSAMFlow，通过加入适应 SAM 蒙版的自监督语义增强模块、基于单应性的新平滑度定义以及简单而有效的蒙版特征模块，能够在对象周围生成清晰的光流估计，优于 KITTI 和 Sintel 数据集上的最先进方法，并且在跨领域上具有很好的泛化能力且运行效率高。

May, 2024

本文提出了一种半监督深度学习方法，并使用真实的雾霾图像进行训练，使用了新的训练策略组合监督合成数据训练和非监督实际数据训练，在稠密的雾霾场景下，优化了光流估计，有着优越性能表现。

Apr, 2020

通过利用机器学习和计算机视觉技术，这项研究提出了一种智能系统，通过非极大值抑制（NMS）集成模型以及 UNet 架构的分割技术，对铁路公路环境进行目标检测和火车驶近监测，从而提高公路铁路交叉口的安全性。

Mar, 2024

本文提出了一种基于 RGB-D 传感器的道路机器人避障系统，使用两阶段语义分割网络生成语义地图以便进行局部路径规划，采用光流监督和运动模糊增强的训练方法，实现室内外道路机器人的无碰撞自主导航。

Aug, 2019

本文研究了卷积神经网络在无监督学习下学习光流预测的能力；提出了一种新的模型来显式模拟遮挡问题，并使用新颖的变换方式来更好地学习大运动；在 Flying Chairs，MPI-Sintel 和 KITTI 标准数据集上进行了测试，结果表明在 KITTI 数据集上无监督方法的效果优于有监督方法，尤其在该数据集上，我们的方法表现出色。

Nov, 2017