首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    计算机视觉最新进展概览(2021年7月11日到2021年7月17日)

    自动驾驶汽车的目标检测通常基于摄像头图像和激光雷达输入,通常用于训练深度人工神经网络等预测模型,用于目标识别决策、速度调节等。 这种决策中的一个错误可能是破坏性的; 因此,通过不确定性测度来衡量预测模型决策的可靠性至关重要。 在深度学习模型中,不确定性通常用于衡量分类问题。 然而,自动驾驶中的深度学习模型往往是多输出回归模型。 因此,我们提出了一种新的方法,即预测表面不确定度(PURE)来测量这类回归模型的预测不确定度。 我们将目标识别问题表述为一个具有多个输出的回归模型,用于在二维摄像机视图中寻找目标位置。 为了进行评估,我们修改了三个广泛应用的目标识别模型(即YoLo、SSD300和SSD512),并使用了KITTI、Stanford Cars、Berkeley DeepDrive和NEXET数据集。 结果显示,预测面不确定性与预测精度之间存在显著的负相关关系,表明不确定性对自动驾驶决策有显著影响。

    04

    RSS 2021 | 相机图像在3D点云中鲁棒跨域定位

    近年来,随着基于高清地图的准确定位的发展,移动机器人和自动驾驶汽车已经进入我们的日常生活。照相机具有巨大的潜力,可以针对点云地图提供低成本、紧凑和独立的视觉定位。然而,视觉方法在本质上受到现实世界中不一致的环境条件的限制,例如光照、天气、季节和视点差异。同时,由于传感器的稀疏性,没有足够的纹理特征保证,在点云数据上进行精确的匹配可能是一个挑战。基于过渡几何学的方法隐含地假设了一个静态环境,如稳定的照明条件、晴朗的天气和固定的季节属性。最近基于学习的视觉定位方法要么在极限环境下受到限制(结构道路),要么只适合于有限的视角(在街道上向前或向后)。目前的图像到点云的定位方法很难在现实世界的应用中得到利用,同时很难解决上述问题。

    02

    DSNet:Joint Semantic Learning for Object

    近五十年来,基于卷积神经网络的目标检测方法得到了广泛的研究,并成功地应用于许多计算机视觉应用中。然而,由于能见度低,在恶劣天气条件下检测物体仍然是一项重大挑战。在本文中,我们通过引入一种新型的双子网(DSNet)来解决雾环境下的目标检测问题。该双子网可以端到端训练并共同学习三个任务:能见度增强、目标分类和目标定位。通过包含检测子网和恢复子网两个子网,DSNet的性能得到了完全的提高。我们采用RetinaNet作为骨干网络(也称为检测子网),负责学习分类和定位目标。恢复子网通过与检测子网共享特征提取层,采用特征恢复模块增强可见性来设计。实验结果表明我们的DSNet在合成的有雾数据集上达到了50.84%的mAP,在公开的有雾自然图像数据集上达到了41.91%的精度。性能优于许多最先进的目标检测器和除雾和检测方法之间的组合模型,同时保持高速。

    02
    领券