基于多任务深度学习的车道级路面性能预测方法研究
本文提出了一种利用端到端的方式,通过直接回归车道线参数来训练车道检测器,利用堆叠的深度网络生成的每个车道线的分割权重图与可微的最小二乘拟合模块来进行训练,并且通过观察到拟合算法可以反向传播,实现了端到端的训练方法,从而避免了引入流程中的不确定性。
Feb, 2019
本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构,以处理在单一图像中无法精确检测车道的情况,并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中,以成功预测车道。
Mar, 2019
本文通过比较 9 个深度学习模型在道路表面裂缝检测任务中的表现,发现基于 transformer 的模型相对于卷积神经网络更易于训练、准确率更高,但通常表现出更高的内存消耗和低效率,其中 SwinUNet 为最佳模型,结果可为表面裂缝检测提供指导。
Apr, 2023
介绍了一种基于深度学习方法的端到端车道检测和分类系统,旨在解决在极端光照条件、看不清车道标记和车道标记稀疏等具有挑战性场景下的车道检测问题,并通过深度学习模型的微调和CNN-based分类分支的介入来实现车道类型的识别。该系统在TuSimple dataset、Caltech lane dataset和自己精心筛选的LVLane dataset上进行了实验验证,取得了优秀的检测和分类结果。
Jul, 2023
综述最近图像处理和深度学习技术在道路病害检测和分类中的广泛应用,介绍了机器学习和深度学习算法在提高效率和准确性方面的优势,讨论了无人机数据采集的整合以及处理高分辨率图像的深度学习算法在有效检测和分类不同道路病害方面的价值。
Aug, 2023
通过一种统一的多任务模型,可以直接从顶部向下的路面图像中预测出路面状况指数(PCI),同时对于裂缝检测和分割等相关任务具有极高的准确性。
Oct, 2023
通过利用裂缝的背景和上下文信息,本文提出了一种端到端的深度学习方法来准确地定位图像中的裂缝,并且在Bitumen Pavement Crack数据集上的实验结果表明,该方法表现良好且优于当前最先进的方法。
Apr, 2024
本研究提出了YOLO9tr,一种基于深度学习的新型轻量级目标检测模型,用于道路损坏检测,其在特征提取和注意力机制方面引入了部分注意力块,以提高在复杂情况下的检测性能,并通过多国的道路损坏图像数据集进行训练,扩展了损坏分类范围,并与YOLO8、YOLO9和YOLO10等先进模型相比具有更高的精度和推断速度,达到高达136FPS的帧率,适用于实时应用,该研究进一步验证了部分注意力块的有效性,突出了YOLO9tr在实时道路状况监测中的潜力,为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。
Jun, 2024
本研究解决了传统铺路条件评估方法中定量与定性描述缺乏的问题,提出了一种新的多模态框架PaveCap。该框架结合了单次PCI估算网络和密集描述网络,实现对铺路条件的自动化评估,显著提高了基础设施管理与决策的效率。
Aug, 2024
本研究解决了发展中国家在资源有限和环境多样性条件下,急需高效、准确且符合当地实际的路面病害检测方法的问题。采用结合YOLO模型与卷积块注意力模块(CBAM)的新深度学习方法,可以同时检测和分类多种路面病害类型,模型表现出良好的识别性能。这一研究不仅推动了自动化路面病害检测的进展,还为发展中国家提供量身定制的解决方案,有望提高道路安全和优化维护策略。
Aug, 2024