traffic scenes | BriefGPT - AI 论文速递

关键词traffic scenes

搜索结果 - 9

大型语言模型驱动的上下文感知运动预测
通过利用大型语言模型（LLMs）增强全局交通语境理解来提高动作预测任务的准确性，并考虑到 LLMs 的成本，我们提出了一种成本效益的部署策略：通过拥有 0.7% 的 LLM 增强数据集来扩大动作预测任务的准确性。
PDF4 months ago
通过节点和边属性的联合扩散进行图的生成建模
我们提出了一种基于节点和边的联合评分模型的图生成方法，该方法考虑了图的所有组成部分，并结合关注模块将节点和边属性进行组合，通过图扩散过程中的节点、边和邻接信息的相互依赖关系，生成与边相关的真实世界和合成数据集的挑战性基准结果，在交通场景图生
PDF5 months ago
ICCVnuScenes 知识图谱 -- 用于轨迹预测的交通场景全面语义表示
利用知识图谱建模交通场景中多样化实体及其语义连接，为轨迹预测提供了一个数据格式，结合图神经网络使用。
PDF7 months ago
将预训练的语言编码器融入自动驾驶轨迹预测模型
本研究提出了一种新颖的基于文本的交通场景表示方法，并使用预训练语言编码器进行处理。我们展示了文本表示与传统光栅图像表示结合可以产生描述性的场景嵌入。在 nuScenes 数据集上对我们的预测进行了基准测试，并与基准模型相比显示了显著改进。消
PDF10 months ago
SCENE: 使用异构图神经网络推理交通场景
本文提出了 SCENE 方法，通过使用异构图神经网络编码交通场景，利用层级图卷积和任务特定解码器进行推理和预测。结果表明，该方法在节点分类任务上表现优异，并具有较强的泛化性。
PDFa year ago
基于关系的交通场景图的运动预测
通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。
PDF2 years ago
学习行人 - 车辆交互以预测行人轨迹
本文研究了行人和车辆之间的交互作用，提出了一个新的神经网络模型，称为行人 - 车辆交互提取器（PVI），用于学习行人和车辆之间的交互。通过实现该模型在两种不同的方法上，作者可以减少行人的平均位移误差（ADE）和最终位移误差（FDE），该模型
PDF2 years ago
SceneGen: 学习生成逼真交通场景
本文提出了一个名为 SceneGen 的神经自回归模型，可自动地生成真实交通场景，该模型可用于训练和测试自动驾驶车辆的感知模型。
PDF3 years ago
UA-DETRAC: 多目标检测和跟踪的新基准和协议
本研究基于 UA-DETRAC 数据集，对多目标跟踪系统中目标检测精度对总体性能的影响进行了全面的量化研究，提出了新的综合分析工具和指标
PDF9 years ago