Robust and Real Time Detection of Curvy Lanes (Curves) with Desired Slopes for Driving Assistance and Autonomous Vehicles
道路交通事故的最大原因之一是弯曲的车道和盲目转弯。即使是新的自动驾驶汽车最大的障碍之一是检测弯曲的车道,多车道和车道有很多不连续性和噪音。本文提出了一种非常有效和先进的算法,用于检测具有期望斜率的曲线(特别是用于实时的检测曲线车道)和检测具有大量噪声、不连续性和干扰的曲线(车道)。总体目标是为这项任务开发一种即使在不利条件下也适用的稳健方法。即使在一些最著名和最有用的库(例如OpenCV和Matlab)中,也没有可用于检测具有所需斜率、形状、不连续性的曲线的函数。只有少数预定义的形状,如圆形,椭圆形等,可以使用目前可用的功能检测。提出的算法不仅可以检测曲线的不连续性,噪声,期望的斜率,但它也可以执行阴影和照明校正和检测/区分不同的曲线。
2015-01-13 cs.CV
Detecting Unauthorized Vehicles using Deep Learning for Smart Cities: A Case Study on Bangladesh
针对孟加拉国自动人力车违规监控难题,本文提出基于YOLOv8的实时检测方法,使用1,730张标注图像训练,实现83.447%的mAP50及超78%的精确率与召回率,并公开数据集。
2025-10-30 cs.CV
MicroVision: An Open Dataset and Benchmark Models for Detecting Vulnerable Road Users and Micromobility Vehicles
Chalmers University of Technology(楚尔姆斯理工大学)
本文提出MicroVision数据集,用于检测常见的易受伤害道路使用者和静止的微交通车辆,通过提供先进的基准模型提升交通安全和监控系统的能力。
2026-03-18 cs.CV
VME: A Satellite Imagery Dataset and Benchmark for Detecting Vehicles in the Middle East and Beyond
Qatar Computing Research Institute, Hamad Bin Khalifa University(哈马德·本·哈利法大学卡塔尔计算研究所);College of Science and Engineering, Hamad Bin Khalifa University(哈马德·本·哈利法大学科学与工程学院);Saarland Informatics Campus, Saarland University(萨尔兰大学萨尔兰信息学园区)
针对卫星图像车辆检测中的地理偏见问题,提出中东车辆检测数据集VME及全球基准CDSI,显著提升了中东及全球范围的车辆检测准确率。
2025-05-28 cs.AI cs.CV
YOLO-Z: Improving small object detection in YOLOv5 for autonomous vehicles
Oxford Brookes University(牛津布鲁克斯大学)
随着自动驾驶汽车和自动赛车的普及,对更快、更准确的探测器的需求也越来越大。虽然我们的肉眼几乎可以立即提取上下文信息,即使距离很远,但图像分辨率和计算资源的限制使得检测较小的对象(即在输入图像中占据小像素区域的对象)对于机器来说是一项真正具有挑战性的任务,也是一个开放的研究领域。这项研究探讨了如何修改流行的YOLOv 5物体检测器,以提高其在检测较小物体方面的性能,特别是在自动驾驶赛车中的应用。为了实现这一点,我们研究了替换模型的某些结构元素(以及它们的连接和其他参数)如何影响性能和推理时间。在这样做的过程中,我们提出了一系列不同尺度的模型,我们将其命名为“YOLO-Z”,并且当以50% IOU检测较小的对象时,其在mAP中显示出高达6.9%的改进,与原始YOLOv 5相比,推理时间仅增加了3 ms。我们的目标是为未来的研究提供信息,以了解调整YOLOv 5等流行检测器以解决特定任务的潜力,并提供有关特定变化如何影响小目标检测的见解。这些发现应用于更广泛的自动驾驶汽车背景下,可以增加这些系统可用的上下文信息量。
2023-01-03 cs.CV
Detecting Owner-member Relationship with Graph Convolution Network in Fisheye Camera System
Zongmu Technology(纵目科技);Braunschweig University of Technology(不伦瑞克工业大学)
车轮和车辆之间的所有者-成员关系对车辆的3D感知有很大贡献,特别是在嵌入式环境中。然而,为了利用这种关系,我们必须面对两个主要挑战:i)传统的基于IoU的交通流很难处理闭塞的交通拥堵场景。ii)解决方案在车载系统中的有效性和适用性是困难的。为了解决这些问题,我们提出了一种创新的关系预测方法,DeepWORD,通过设计一个图卷积网络(GCN)。具体来说,为了提高信息的丰富性,我们使用具有局部相关性的特征图作为节点的输入。随后,我们引入了一个图形注意力网络(GAT),以动态地纠正先验估计偏差。最后,我们设计了一个大规模的基准数据集,它具有注释的所有者-成员关系,称为WORD。在实验中,我们了解到所提出的方法实现了最先进的准确性和实时性能。WORD数据集在https://github.com/NamespaceMain/ownermember-relationship-dataset上公开提供。
2022-01-28 cs.CV
Detecting the Presence of Vehicles and Equipment in SAR Imagery Using Image Texture Features
Lockheed Martin Space(洛克希德·马丁航天公司)
在这项工作中,我们提出了一种方法来监测人造的,建设类活动的低分辨率SAR图像。我们的数据来源是欧洲航天局的哨兵-1卫星,该卫星以12天的重访率提供全球覆盖。尽管分辨率的限制,我们的方法使我们能够监测活动水平(即存在的车辆,设备)的预定义的位置,通过分析检测到的SAR图像的纹理。使用探索性数据集,我们训练了一个支持向量机(SVM),一个随机二进制森林,和一个完全连接的神经网络分类。我们在VV和VH偏振通道中使用Haralick纹理特征作为分类器的输入特征。每个分类器都显示出有希望的结果,能够区分两种可能类型的建筑工地活动水平。本文记录了一个案例研究,围绕监测石油和天然气压裂井的施工过程。
2020-09-10 cs.CV eess.IV
Lost and Found: Detecting Small Road Hazards for Self-Driving Vehicles
Daimler R&D(戴姆勒研发中心);TU Dresden(德累斯顿工业大学)
检测前方道路上的小障碍物是驾驶任务的关键部分,必须由全自动驾驶汽车掌握。在本文中,我们提出了一种基于立体视觉的方法来可靠地检测这样的障碍物从移动车辆。该算法直接在视差空间中对立体图像数据进行统计假设检验,评估独立局部补丁上的自由空间和障碍假设。这种检测方法不依赖于全局道路模型,并处理静态和移动障碍物。为了进行评估,我们采用了一种新的丢失货物图像序列数据集,包括超过2000帧的障碍物和自由空间的像素注释,并提供了一个彻底的比较,以几个立体为基础的基线方法。该数据集将提供给社区,以促进对这一重要主题的进一步研究。该方法优于所有考虑的基线,在我们的评估像素和对象的水平和运行在帧速率高达20 Hz的2兆像素的立体图像。可以在20 m的距离内以低误报率成功地检测到低至5 cm高度的小障碍物。
2016-09-15 cs.CV cs.RO
Detecting 32 Pedestrian Attributes for Autonomous Vehicles
EPFL(洛桑联邦理工学院);Sorbonne Université(索邦大学)
行人可以说是城市地区自动驾驶汽车考虑的最安全的道路使用者之一。在本文中,我们解决的问题,联合检测行人和识别32个行人属性从一个单一的图像。这些包括视觉外观和行为,还包括道路交叉口的预测,这是一个主要的安全问题。为此,我们引入了一个多任务学习(MTL)模型依赖于一个复合领域的框架,它以一种有效的方式实现这两个目标。每个字段在空间上定位行人实例,并聚合它们的属性预测。这种公式自然地利用了空间背景,使其非常适合自动驾驶等低分辨率场景。通过增加联合学习的属性数量,我们强调了与梯度尺度相关的问题,这在MTL中出现了许多任务。我们通过将来自不同目标函数的梯度归一化来解决这个问题,当它们在反向传递过程中加入网络架构的分叉时,称为分叉归一化。在JAAD上进行了实验验证,JAAD是一个为自动驾驶车辆的行人分析提供众多属性的数据集,并显示了竞争性的检测和属性识别结果,以及更稳定的MTL训练。
2021-08-27 cs.CV cs.LG eess.IV
Detecting Road Obstacles by Erasing Them
EPFL(洛桑联邦理工学院)
针对道路障碍物种类繁多难以预先采集全量数据训练检测器的问题,提出通过道路纹理修复擦除图像块中障碍物、再用网络识别原图与修复图差异检测障碍物的方法。
2023-10-08 cs.CV
Detecting Parking Spaces in a Parcel using Satellite Images
Saama Technologies AI Research Lab(萨马科技人工智能研究实验室)
来自卫星的遥感图像已被用于各个领域,用于检测和理解地面上的结构。在这项工作中,卫星图像被用于定位停车位和车辆在停车场为一个给定的包裹使用基于RCNN的神经网络架构。包裹shapefile和光栅图像从美国地质勘探局的图像存档用于开发图像的训练和测试。基于特征金字塔的Mask RCNN对停车位和车辆的平均分类准确率为97.56%
2020-01-30 cs.CV cs.LG stat.ML
SBP-YOLO:A Lightweight Real-Time Model for Detecting Speed Bumps and Potholes toward Intelligent Vehicle Suspension Systems
Key Laboratory for Optoelectronic Technology and Systems, Ministry of Education, College of Optoelectronic Engineering, Chongqing University(光电技术及系统重点实验室、教育部长春电子工程学院、重庆大学)
本文提出SBP-YOLO,一种基于YOLOv11n的轻量级实时检测框架,通过GhostConv、VoVGSCSPC、P2分支和LEDH头实现减速带与坑洼的高效检测,在Jetson AGX Xavier上达到87.0% mAP和139.5 FPS,适用于智能悬架系统。
2025-10-07 cs.AI cs.CV
Creating awareness about security and safety on highways to mitigate wildlife-vehicle collisions by detecting and recognizing wildlife fences using deep learning and drone technology
Rhodes University(罗德斯大学);University of Ngaoundéré(恩冈代雷大学)
在南非,人们在长途旅行时将车辆停在路边休息是一种常见的做法。这种做法可能会增加人类与野生动物的接触,威胁到它们的安全。在这里,我们打算建立对野生动物围栏的认识,使用无人机技术和计算机视觉算法来识别和检测野生动物围栏和相关特征。我们在南非东开普省的Amakhala和Lalibela私人禁猎区收集数据。我们使用野生动物电围栏数据包含单,双栅栏的分类任务。此外,我们使用从无人机和静态相机中提取的航拍和静态注释图像进行分割和检测任务。无人机相机的模型训练结果优于静态相机。通常,较差的模型性能归因于(1)图像的过度解压缩以及(2)与仅捕获野生动物围栏的前视图的静止相机相比,无人机相机捕获图像上的更多细节以供机器学习模型学习的能力。我们认为,我们的模型可以部署在客户端边缘设备上,以告知人们野生动物围栏的存在和意义,从而最大限度地减少人类与野生动物的接触,从而减少野生动物与车辆的碰撞。
2022-12-22 cs.CV cs.LG cs.RO
Vehicle Detection and Tracking From Surveillance Cameras in Urban Scenes
Polytechnique Montreal(蒙特利尔综合理工学院);Cysca Technologies(Cysca技术公司)
在城市场景中检测和跟踪车辆是许多交通相关应用中的关键一步,因为它有助于提高道路使用者的安全性。在多目标跟踪中,目标信息描述、长时间遮挡和快速运动等问题仍然是一个亟待解决的难题。我们提出了一个多车辆检测和跟踪系统跟踪的检测范式,解决了前面提到的挑战。我们的MOT方法扩展了基于交集的跟踪器与车辆重新识别功能。这使我们能够利用外观信息,以更好地匹配对象后,长的闭塞阶段和/或当对象的位置显着转移,由于快速运动。我们在UA-DETRAC基准测试中优于我们的基线MOT方法,同时保持适合在线用例的总处理速度。
2021-09-25 cs.CV
Detecting Phone-Induced Pedestrian Distraction via a Multimodal Fusion Transformer
Technische Universität Berlin(柏林工业大学)
针对手机引发的行人分心问题,提出多模态融合Transformer(MFT),融合骨骼动态与视觉特征,利用跨模态和时间注意力,在287个行人实例数据集上达到95%准确率,超越六种基线6%。
2026-09-22 cs.CV
Traffic Surveillance using Vehicle License Plate Detection and Recognition in Bangladesh
Military Institute of Science & Technology (MIST)(军事科学技术研究院)
计算机视觉与深度学习(DL)技术相结合,在交通控制、监控和执法等领域展现出广阔的应用前景。本文提出了一种YOLOv4目标检测模型,其中卷积神经网络(CNN)的训练和调整,用于检测孟加拉国车辆的车牌和识别字符,从检测到的车牌使用tesseract。在这里,我们还提出了一个图形用户界面(GUI)的基础上Tkinter,一个Python包。车牌检测模型的训练平均精度(mAP)为90.50%,并在单个TESLA T4 GPU中以平均每秒14帧(fps)的速度在实时的视频片段上执行。
2020-12-03 cs.CV
Synthehicle: Multi-Vehicle Multi-Camera Tracking in Virtual Cities
Technical University of Munich(慕尼黑工业大学)
智能交通路线或事故预防等智能城市应用依赖于计算机视觉方法进行精确的车辆定位和跟踪。由于缺乏准确标记的数据,从多个摄像头检测和跟踪3D车辆证明是具有挑战性的探索。我们提出了一个大规模的合成数据集多车辆跟踪和分割在多个重叠和不重叠的摄像机视图。与现有的数据集不同,这些数据集仅为2D边界框提供跟踪地面实况,我们的数据集还包含相机和世界坐标中的3D边界框的完美标签,深度估计,以及实例,语义和全景分割。该数据集由17个小时的标记视频材料组成,来自64个不同的白天,下雨,黎明和夜晚场景的340个摄像机记录,使其成为迄今为止最广泛的多目标多摄像机跟踪数据集。我们提供用于检测、车辆重新识别以及单摄像机和多摄像机跟踪的基线。代码和数据是公开的。
2022-08-30 cs.CV
Detecting What Matters: A Novel Approach for Out-of-Distribution 3D Object Detection in Autonomous Vehicles
Faculty of Engineering at Alexandria University(亚历山大大学工程学院);Department of Electronics and Communications Engineering at The American University in Cairo(开罗美国大学电子与通信工程系);Wireless Intelligent Networks Center (WINC), School of Engineering and Applied Sciences (EAS), Nile University(尼罗大学无线智能网络中心(WINC)、工程与应用科学学院(EAS));Faculty of Engineering, Alexandria University(亚历山大大学工程学院)
提出一种将重点从类别分类转向危害性判定的3D目标检测新方法,基于目标相对位置和轨迹将其识别为有害或无害,有效检测OOD目标并提升自动驾驶决策安全性。
2025-06-29 cs.CV cs.LG
Incident Detection on Junctions Using Image Processing
ISSD;METU(中东技术大学)
在交通管理中,通过检测事件(事故、车辆故障、物体掉落在道路上等)来缩短响应时间是非常重要的问题。并通知相应人员。在这项研究中,提出了一个异常检测框架路口。最后的判断是基于车辆所遵循的轨迹。轨迹信息由车辆检测和跟踪算法提供,这些算法基于从鱼眼相机流传输的视觉数据。深度学习算法用于车辆检测,卡尔曼滤波器用于跟踪。为了更准确地观察轨迹,使用镜头畸变模型预测算法将检测到的车辆坐标转换为鸟瞰图坐标。系统通过比较历史轨迹数据和瞬时输入数据来确定轨迹中是否存在异常。该系统在合成数据上实现了84.6%的车辆检测成功率和96.8%的异常检测成功率。该系统在检测真实数据异常方面的成功率为97.3%。
2021-04-27 cs.CV cs.LG
A Two-Stage Framework for Ego-Centric Key Object Identification via Object State Prediction
School of Computing and Information, University of Pittsburgh(匹兹堡大学计算与信息学院)
提出一种两阶段框架,通过虚拟自我车辆表示和对象状态预测,结合时空推理,在自动驾驶中提升关键对象识别的准确性。
2026-09-09 cs.CV
A Geometry-Informed Computer Vision Method for Detecting and Examining Overtaking Vehicles From A Bicycle
Department of Industrial Manufacturing and Systems Engineering, University of Michigan-Dearborn, Michigan, USA, 48128(密歇根大学迪尔伯恩分校工业制造与系统工程系)
提出一种基于几何信息的计算机视觉流程,利用单摄像头自动检测自行车超车事件,无需多传感器或标定,在315个真实事件中实现97.8%召回率和零误报,并初步实现无标定横向距离估计。
2026-06-24 cs.CV cs.HC
Detecting Unsigned Physical Road Incidents from Driver-View Images
Wageningen University(瓦赫宁根大学);University of Melbourne(墨尔本大学)
道路安全至关重要,尤其是在自动驾驶汽车的情况下。一个关键的需求是及早有效地发现和沟通破坏性事件。在本文中,我们提出了一个系统的基础上,现成的深神经网络架构,能够检测和识别类型的无符号(非标牌,如交通标志),物理(图像中可见)的道路事故。我们为未签名的物理事件开发了一个分类,以提供一种组织和分组相关事件的方法。在选择了八种目标类型的事件后,我们收集了从公开的网络资源中收集的一万二千张图像的数据集。我们随后微调卷积神经网络,以识别八种类型的道路事故。所提出的模型是能够识别事件具有较高的准确率(高于90%)。我们进一步表明,虽然我们的系统概括以及跨空间环境的训练分类器在英国的地理分层数据(准确率超过90%),翻译到视觉上不太相似的环境需要空间分布的数据汇集。注:这是IEEE智能车辆学报(T-IV;印刷中)接受的工作的预印本。该文件目前正在制作中,DOI链接将很快添加。
2020-04-24 cs.CV
Automated Detecting and Placing Road Objects from Street-level Images
Norwegian University of Science and Technology(挪威科技大学);Wuhan University(武汉大学);Nanjing University of Finance & Economics(南京财经大学)
自动驾驶车辆或普通用户使用的导航服务需要关于道路相关对象及其地理位置的详细信息的可用性,特别是在道路交叉口处。然而,这些道路交叉口主要表示为没有详细信息的点元素,或者甚至在包括OpenStreetMap(OSM)在内的当前版本的众包地图数据库中不可用。本研究发展一种方法,以自动侦测道路物体,并将它们放置到正确的位置,从街道级图像。我们的处理管道依赖于两个卷积神经网络:第一个对图像进行分割,而第二个对特定对象进行检测和分类。此外,为了定位检测到的对象,我们建立了一个基于城市语法的属性拓扑二叉树(ATBT)的每一幅图像来描述道路对象的拓扑,属性和语义的连贯关系。然后,ATBT与OSM上的地图特征进一步匹配,以确定正确的放置位置。所提出的方法已被应用于在德国柏林的案例研究。我们验证了我们的方法对两个对象类:交通标志和交通灯的有效性。实验结果表明,所提出的方法提供了接近精确的定位结果的完整性和位置精度。在许多潜在的应用中,输出可能与其他数据源相结合,以指导自动驾驶车辆
2019-09-17 cs.CV
Deep Learning Enhanced Road Traffic Analysis: Scalable Vehicle Detection and Velocity Estimation Using PlanetScope Imagery
Heidelberg Institute for Geoinformation Technology (HeiGIT)(海德堡地理信息技术研究所);Heidelberg University(海德堡大学);University of Lodz(罗兹大学)
本文提出基于PlanetScope SuperDove卫星影像和Keypoint R-CNN的车辆检测与速度估计方法,利用波段时序差异跟踪车辆轨迹,在德国和波兰高速公路上验证了其可扩展的全球交通监测潜力。
2024-10-04 cs.CV cs.LG
LADAR-Based Mover Detection from Moving Vehicles
General Dynamics Robotic Systems(通用动力机器人系统公司)
检测移动车辆和人员对于UGV的安全操作至关重要,但在混乱的现实世界环境中具有挑战性。我们提出了一种注册技术,使对象被鲁棒地匹配和跟踪,因此即使在高杂波中也能检测到移动器。距离数据采集使用二维扫描激光雷达从移动平台。这些被自动聚类成对象,并使用表面密度函数建模。一个巴塔查里亚相似性进行了优化,以登记每个对象的后续意见,使良好的歧视和跟踪,因此移动检测。
2017-09-25 cs.CV cs.RO
DroNet: Efficient convolutional neural network detector for real-time UAV applications
University of Cyprus(塞浦路斯大学);Imperial College London(伦敦帝国学院)
无人驾驶飞机(无人机)正在成为环境和基础设施监测的一项有前途的技术,广泛用于各种应用。许多这样的应用需要使用计算机视觉算法,以便分析从机载相机捕获的信息。这些应用包括检测车辆以进行紧急响应和交通监控。因此,本文探讨了基于深度卷积神经网络(CNN)的单发物体检测器的开发中所涉及的权衡,该检测器可以使无人机在资源受限的环境下执行车辆检测,例如在无人机中。本文提出了一个整体的方法来设计这样的系统,数据汇集和训练阶段,CNN架构,并有效地映射这样一个CNN在一个轻量级的嵌入式处理平台,适合部署在无人机上的优化。通过分析,我们提出了一种CNN架构,能够从空中无人机图像中检测车辆,并且可以在5-18帧/秒之间运行,适用于各种平台,总体精度为~ 95%。总体而言,所提出的架构是适合无人机应用,利用低功耗的嵌入式处理器,可以部署在商用无人机。
2018-07-18 cs.CV
Detecting Car Speed using Object Detection and Depth Estimation: A Deep Learning Framework
Praxis Business School(普拉西斯商学院);Praxis Tech School(普拉西斯科技学院)
本文提出一个深度学习框架,利用手机或可穿戴相机结合目标检测与深度估计实现车辆速度检测,以解决传统测速设备不足的问题。
2024-08-08 cs.CV cs.LG
Weakly Supervised Training of Monocular 3D Object Detectors Using Wide Baseline Multi-view Traffic Camera Data
University of Adelaide(阿德莱德大学);Centre for Automotive Safety Research(汽车安全研究中心)
准确的交叉口车辆7自由度预测是评估道路使用者之间潜在冲突的重要任务。原则上,这可以通过能够检测每个车辆的姿态的单个相机系统来实现,但是这将需要大的、准确标记的数据集,从该数据集训练检测器。虽然存在大型车辆姿态数据集(表面上是为自动驾驶车辆开发的),但我们发现这些数据集的训练不足。这些数据集包含来自地面视点的图像,而用于交叉口观察的理想视图将位于路面上方更高的位置。我们开发了一种替代方法,使用弱监督方法微调交通观测摄像头的3D对象检测器;在此过程中,可以利用现有的大型自动驾驶车辆数据集进行预训练。为了微调单目3D对象检测器,我们的方法利用来自重叠的宽基线视图的多个2D检测和编码subjacent几何一致性的损失。我们的方法在我们的数据集上实现了车辆7 DoF姿态预测精度,与自动驾驶车辆数据集上性能最好的单目3D对象检测器相当。我们提出了我们的训练方法,多视图重投影损失和数据集。
2021-10-21 cs.CV
Detecting Endangered Marine Species in Autonomous Underwater Vehicle Imagery Using Point Annotations and Few-Shot Learning
Australian Centre for Robotics, University of Sydney(悉尼大学澳大利亚机器人中心);Marine Technology Department, Norwegian University of Science and Technology(挪威科技大学海洋技术系);Institute for Marine and Antarctic Studies, University of Tasmania(塔斯马尼亚大学海洋与南极研究所)
本文提出一种基于小样本学习的框架,利用常见海洋物种的点标注进行预训练和数据增强,解决了AUV图像中濒危物种样本少导致检测性能差的问题,将handfish检测平均精度提升达48%。
2024-06-04 cs.CV cs.RO
Anomaly Detection in Video Data Based on Probabilistic Latent Space Models
University of Genova(热那亚大学);University Carlos III de Madrid(马德里卡洛斯三世大学)
提出了一种视频数据异常检测方法。变分自编码器(VAE)用于降低视频帧的维度,生成与低维传感数据(例如,定位、转向角度),使得为自动驾驶车辆开发一致的多模式架构成为可能。一个自适应马尔可夫跳粒子滤波定义的离散和连续的推理水平被用来预测后续帧和检测新的视频序列中的异常。我们的方法在不同的视频场景中进行评估,其中半自动驾驶车辆在封闭环境中执行一组任务。
2020-03-17 cs.CV cs.LG
Detection of 3D Bounding Boxes of Vehicles Using Perspective Transformation for Accurate Speed Measurement
Comenius University in Bratislava(布拉迪斯拉发夸美纽斯大学)
交通监控摄像头捕获的车辆的检测和跟踪是智能交通系统的关键组成部分。我们提出了一个改进的版本,我们的算法检测的三维包围盒的车辆,跟踪和随后的速度估计。我们的算法利用已知的几何形状的消失点在被监视的场景中构建一个透视变换。该变换使得能够使用标准2D对象检测器将检测3D边界框的问题直观地简化为具有一个附加参数的2D边界框的检测。本文的主要贡献是一个改进的建设的透视变换,这是更强大的,全自动和扩展的实验评估的速度估计。我们在BrnoCompSpeed数据集的速度估计任务上测试我们的算法。我们评估我们的方法与不同的配置,以衡量准确性和计算成本之间的关系,并在2D检测的3D限界框检测的好处。所有经过测试的配置都是实时运行的,并且是全自动的。与其他已发表的最先进的全自动结果相比,我们的算法将平均绝对速度测量误差降低了32%(1.10 km/h至0.75 km/h),将绝对中值误差降低了40%(0.97 km/h至0.58 km/h)。
2020-08-04 cs.CV
Enhanced Vehicle Speed Detection Considering Lane Recognition Using Drone Videos in California
Department of Computer Science, University of California, Davis(计算机科学系,加州大学戴维斯分校);Department of Civil and Environmental Engineering, University of California, Davis(土木与环境工程系,加州大学戴维斯分校)
针对加州车辆测速需求,本研究提出经近800张鸟瞰图微调的YOLOv11模型,可分车道检测车速并区分轿车与重型车辆,在北加州无人机数据上测速MAE达0.97mph、MSE达0.94mph²,精度优于现有方法。
2025-06-12 cs.CV cs.LG
Synthesizing and Identifying Noise Levels in Autonomous Vehicle Camera Radar Datasets
University of Oklahoma(俄克拉荷马大学)
本文提出一种针对相机-雷达自动驾驶车辆数据集的真实合成数据增强管线,用于模拟传感器故障与数据退化,并训练轻量级噪声识别神经网络,在11个类别上达到54.4%的识别准确率。
2025-05-01 cs.AI cs.CV eess.IV