vehicle detection | BriefGPT

关键词vehicle detection

搜索结果 - 30

用于驾驶场景中点云车辆检测和跟踪的反卷积网络
本文提出了一种使用 3D 激光雷达信息的汽车检测和跟踪系统，其中检测步骤使用卷积神经网络（CNN），并通过多假设扩展卡尔曼滤波器实现多目标跟踪。此基于激光雷达的方法与基于图像的检测器使用大约相似的结果并仅使用原始数据的 4％。
PDF6 years ago
SINet: 一种针对快速车辆检测的尺度不变卷积神经网络
本文提出了一种基于卷积神经网络的无尺度检测技术，通过采用上下文感知的 RoI 池化和多分支决策网络，实现了无尺度对象识别，并在多个数据集上达到最优准确性和速度。
PDF6 years ago
MODNet: 具备运动和外观的自动行驶移动物体检测网络
该文章提出了一种新型的多任务学习系统，将外观和运动线索相结合，以更好地对环境进行语义推理，其中介绍了一种联合车辆检测和运动分割的统一架构，并使用 KITTI 数据集评估了该方法，在运动检测任务上的性能优于其他利用运动线索方法 21.5％，在
PDF7 years ago
面向物体检测的轻量级卷积神经网络
本篇研究提出了一个细节较大的目标检测模型，利用多种轻量级网络进行特征提取，同时采用通道压缩算法提高模型执行速度，在 CPU 上实现准确率仅下降至 91.43 AP 的实时推断。
PDF7 years ago
CVPRDeep MANTA：粗细多任务网络，联合从单眼图像分析二维和三维车辆
本文提出了一种新的方法，称为 Deep MANTA，用于从给定的图像进行多任务车辆分析。介绍了一个强大的卷积网络，用于同时进行车辆检测、部分定位、可视性表征和 3D 尺寸估计，并演示了该方法在 KITTI 基准测试上的性能优于现有的单 oc
PDF7 years ago
快速车辆检测的进化框盒
该论文介绍了一个新型的深度学习框架 Evolving Boxes，可以快速从交通监控摄像头中检测车辆，包括轻量级的候选框网络和精细调整网络，以及不同的特征融合技术，相比 Faster RCNN 在 DETRAC 基准测试中提高了 9.5%
PDF7 years ago
基于点云的三维全卷积网络车辆检测
本文将全卷积网络技术扩展到三维，并将其应用于点云数据的车辆检测任务中，实验结果表明该方法在自动驾驶领域的 KITTI 数据集上表现较之前的点云检测方法有显著提升。
PDF8 years ago
使用全卷积网络从 3D LIDAR 检测车辆
本文介绍了如何利用全卷积网络技术实现在 3D 距离扫描数据上进行车辆检测任务。文章中利用单个 2D 全卷积网络同时预测目标置信度和边界框，并通过精心设计边界框编码，即可利用 2D 卷积网络预测完整的 3D 边界框。在 KITTI 数据集上的
PDF8 years ago
ECCVDAVE: 快速车辆检测和标注的统一框架
本文介绍了一种结合了车辆检测和属性注释的快速框架 (DAVE)，该框架包含两个卷积神经网络：一个快速车辆提议网络 (FVPN) 用于车辆式对象提取，另一个属性学习网络 (ALN) 旨在验证每个提议并同时推断每辆车的姿势、颜色和类型。该系统
PDF8 years ago
基于深度神经网络的车辆图像分析：一项系统研究
使用深度神经网络方法解决车辆检测和分类问题，提出了在限制数据集大小情况下，如何利用 DNN 进行车辆检测，哪些特征对于车辆分类有用，以及如何扩展模型到极端光照条件。所提出的方法表现优于现有方法，在光照条件极端的图像上取得了有希望的结果。
PDF8 years ago