- 恶劣天气条件下行人意图预测:脉冲神经网络和动态视觉传感器
利用脉冲神经网络(SNNs)与动态视觉传感器(DVS)相结合,提高自动驾驶车辆在恶劣天气条件下对行人的检测效果,验证了 SNNs 相对于传统卷积神经网络(CNNs)在雷雨等复杂情况下具有更高的精度和计算效率,并为智能交通系统的安全功能在不同 - 两阶段 CNN 检测方法中抑制 FP 的 PST 算法
通过重新设计两阶段卷积神经网络检测方法的训练提议生成流程,本文提出了一种行人敏感的训练算法,用于帮助学习区分行人和非行人样本,并抑制最终检测结果中的伪阳性。实验证明了该算法提高了行人检测的准确性,与竞争者相比,MetroNext-PST 在 - 利用汽车雷达和激光雷达传感器预测恶劣天气对行人检测的影响
通过在受控环境中收集实证数据并引入天气过滤器模型,本文研究了道路交通中行人检测在恶劣天气条件下的性能,并发现天气对行人检测性能的影响可以预测和补偿。
- 基于元学习的多目标追踪
基于元学习的 MAML MOT 方法用于解决行人多目标跟踪中的样本稀缺问题,提高模型的泛化性能和鲁棒性,取得了在 MOT 挑战赛上的高准确率,为行人多目标追踪领域的研究提供了新的视角和解决方案。
- 想象看见:通过对抗特征补全实现被遮挡行人检测
我们提出了一种基于特征补全和对抗学习的行人检测方法,通过对被遮挡区域进行特征补全,实现了行人特征的对齐,实验证明该方法在重度遮挡场景下取得了显著改进,并在多个数据集上达到了最先进的结果。
- 构建多功能行人知识库实现鲁棒性行人检测
本文提出了一种构建通用行人知识库的新方法,通过从大规模预训练模型中提取泛化行人知识并对其进行精确化处理,用于增强行人检测框架内的行人特征,实验证明该方法的多功能性和优于最先进的检测性能。
- 利用不完美通信的增强协同感知自动驾驶车辆
通过合作感知技术提高自动驾驶车辆在不利环境下的视觉感知质量,采用最佳辅助车辆优化协同感知并提高目标检测准确性,特别关注行人检测,验证结果表明该方法在挑战场景中提高了协作感知性能和驾驶安全。
- 人类中心视觉数据增强
本调查在人相关的视觉任务中首次提供了对数据增强技术的全面分析。它深入研究了人物 ReID、人体解析、人体姿态估计和行人检测等广泛的研究领域,解决了过拟合和有限训练数据在这些领域中带来的重要挑战。我们将数据增强方法分为两类:数据生成和数据扰动 - 自动驾驶中行人检测的安全适应损失
本文提出了一种新颖的安全感知损失变化,利用训练过程中估计的每个行人的关键得分来提高关键行人检测性能,评估结果表明,使用我们的安全感知损失函数对关键行人进行训练可以减少漏检而不损害对非关键行人的检测性能。
- 低光照条件下的行人检测:综述
综述了针对低光条件下行人检测的各种方法和数据集,并讨论了挑战和最近提出的解决方法,主要使用基于深度学习的图像融合方法进行准确可靠的行人检测。
- 使用一系列的 GAN 生成合成图像进行行人检测
提出一种新颖的图像生成流水线,其中包括三种不同的生成对抗网络,以增加行人检测的数据集,尽管生成的图像不总是对人眼视觉上愉悦的,但我们的检测基准显示结果明显超过基准线。
- 为多视角行人检测优化摄像机配置
这项研究提出了一种基于 Transformer 的摄像头配置生成器,通过强化学习自主探索行为空间内的各种组合,并搜索训练数据集中给出最高检测精度的配置,实现多摄像头视角下行人检测的优化布局。
- 可见光和红外图像流中的低光照行人检测:问题与挑战
综述了最近在低光条件下行人检测方法的发展,系统地对基于区域、非区域和图形学习方法的各种算法进行分类和分析,同时着重介绍了这些算法的方法学、实施问题和挑战,还概述了可用于研究和开发先进行人检测算法的关键基准数据集,特别是在低光情况下。
- 结合以语言驱动的外观知识单元和视觉提示的行人检测
通过将大型语言模型与视觉线索相结合,我们提出一种新的方法来理解语境外观变化并将其知识应用于行人检测任务,通过与大量描述行人外观的叙述语料库结合,提取代表外观变化的知识集合,并通过任务驱动的过程获得与行人检测相关的外观知识单元,最终实现与视觉 - DDAM-PS:勤勉的领域自适应混合器用于人员搜索
提出了一个名为 DDAM-PS 的勤奋领域自适应混合模式的 Person Search 框架,旨在通过结合源领域和目标领域表示来改善知识转移,具有良好的性能和可扩展性。
- PPD: 自主驾驶的新型泊车行人全景鱼眼数据集
通过 Parking Pedestrian Dataset(PPD)提供的大规模鱼眼数据集,本文介绍了针对真实世界行人,特别是有遮挡和多样的姿势进行研究的行人检测基线,并引入了两种数据增强技术,通过增强原始数据集的多样性来改进基线模型,广泛 - VALERIE22 - 城市环境的高保真度、丰富元数据注释的数据集
VALERIE 工具流水线是一个合成数据生成器,用于研究特定领域因素对深度神经网络的感知性能的影响,通过提供基于自动生成的场景的光线追踪传感器模拟,VALERIE22 数据集具有丰富的元数据,允许对数据进行多样化测试和研究,并且在性能度量上 - ParGANDA: 实现物体检测中合成行人的现实
使用生成对抗网络 (GAN) 以解决真实与合成数据之间的领域差异,提高物体检测的性能,尤其针对行人检测,在不需要真实标签的情况下生成真实样本,适用于各种下游任务。
- 面向外部分布的行人检测的持续学习
本论文提出了一种连续学习的解决方案,以解决行人检测的超出分布问题,并针对性能降低的问题制定了改进的 Elastic Weight Consolidation 方法。通过在一个数据集上进行训练和在另一个数据集上进行微调来达到学习新分布并在先前 - 自主驾驶高实时遮挡行人姿态完整方法 SDR-GAIN
提出了一种名为 SDR-GAIN 的行人姿态关键点完成方法,利用开放式姿势估计行人姿势,通过分离和降维等方法完成行人姿态关键点的建模,使用基于生成对抗网络(GAN)框架的两个生成模型生成局部被遮挡行人的关键点,实现姿态的完成,该方法运行速度