Effiziente und präzise Spurerkennung mit Sparse Laneformer - eine transformerbasierte Methode mit dynamischen Ankern
Sparse Laneformer ist ein einfaches und effektives transformerbasiertes Verfahren zur Spurerkennung, das auf einem Mechanismus mit spärlichen Ankern basiert. Es erzeugt dynamische Anker durch positionsabhängige Abfragen zu Spuren und Winkeln, anstatt auf herkömmliche explizite Anker zu setzen. Das Verfahren übertrifft den Stand der Technik bei geringerem Rechenaufwand.
Distorsionsangepasste Fisheye-Kamera-basierte Vogelperspektiven-Segmentierung mit Verdeckungsanalyse
Ein neuartiger Ansatz zur Erweiterung der Lift-Splat-Shoot-Methode für die Verwendung mit Fisheye-Kameras. Einführung eines lernbaren, distorsionsangepassten Pooling-Mechanismus und eines Moduls zur Verdeckungsanalyse, um eine robuste semantische Segmentierung in Vogelperspektive zu ermöglichen.
Verbesserung der Sicherheit beim autonomen Fahren durch Beleuchtungsoptimierung in Dunkelheit
Unser Beleuchtungsoptimierungsmodell (LightDiff) verbessert die Bildqualität von Kamerabildern in Dunkelheit, um die Leistung von Wahrnehmungssystemen für autonomes Fahren zu steigern und die Sicherheit in Nachtfahrten zu erhöhen.
Effiziente und geometrisch flexible Methode zur Spurerkennung: ElasticLaneNet
ElasticLaneNet ist ein effizientes und geometrisch flexibles Rahmenwerk zur Spurerkennung, das implizite Darstellung von Fahrspuren und eine Elastic Interaction Energy-Verlustfunktion verwendet, um komplexe Spurgeometrien wie Kreuzungen, Y-förmige Spuren und dichte Spuren genau zu erkennen.
Präzise und effiziente Wahrnehmung von Verkehrsszenen in Echtzeit durch topologiebewusste Energieverlustfunktion
Eine einfache und effiziente topologiebewusste Energieverlustfunktion (EIEL) wird vorgeschlagen, um die Genauigkeit und Leistung von Echtzeit-Netzwerken für die Wahrnehmung von Verkehrsszenen zu verbessern, insbesondere bei feinen und komplexen geometrischen Objekten wie Fußgängern, Verkehrszeichen und Fahrspuren.
Effiziente Verarbeitung und Analyse von Inhalten zur Gewinnung von Erkenntnissen durch Aufgabentrennung
Durch Aufgabentrennung in zwei Stufen, bei denen jeweils nur eine Aufgabe im Fokus steht, kann die komplexe Kombination von Wahrnehmung und Generierung vereinfacht und die Leistung bei der Verarbeitung anspruchsvoller Szenen verbessert werden.
Verbesserung der visuellen Erkennung für autonomes Fahren in Echtzeit-Degradationen durch Deep Channel Prior
Eine neuartige Deep Channel Prior (DCP) wird vorgeschlagen, um die Leistung von Vortrainingsmodellen in realen Degradationsumgebungen umfassend zu verbessern. Basierend darauf wird ein zweistufiges unüberwachtes Feature-Verbesserungsmodul (UFEM) entwickelt, das die latenten Inhalte wiederherstellt und die globale Korrelation moduliert, um hochwertige und erkennungsfreundliche Features zu erhalten.
ENet-21: Eine optimierte leichte CNN-Struktur für die Spurerkennung
Eine leichte CNN-Architektur mit weniger Parametern und FLOPs wird für die Spurerkennung vorgeschlagen, die ähnliche Leistung wie bestehende Methoden erzielt.
Differenzierbare implizite visuelle Prompts für semantische Segmentierung unter widrigen Bedingungen
Das DiffPrompter-Framework nutzt differenzierbare visuelle und latente Prompts, um die Leistungsfähigkeit bestehender Adaptoren in Grundmodellen für die semantische Segmentierung unter widrigen Bedingungen zu erweitern.
Effiziente Erkennung von unbekannten Straßenhindernissen durch Kombination von Objektwahrscheinlichkeiten und Anomaliebewertung
Eine neuartige Methode zur stabilen Erkennung unbekannter Straßenhindernisse, die Objektwahrscheinlichkeiten und Anomaliebewertung kombiniert, um die Zuverlässigkeit der Detektion zu erhöhen.
© 2024 by Linnk AI