ICCV 2019 自动驾驶研究亮点

ICCV和CVPR是全球计算机视觉领域的两大顶级会议。之前，我们曾整理了CVPR 2019关于自动驾驶的研究成果。今天，我们将聚焦ICCV 2019会议上有关自动驾驶的重要研究进展。

ICCV每两年举办一次，今年的会议在韩国首尔举行，共收到1076篇论文投稿。以下是关于感知、规划、建图与定位以及自动驾驶数据管理这四大领域的一些关键研究成果。

感兴趣的读者可以通过文中的链接或公众号后台回复“ICCV2019”获取详细资料。

感知

【Fast PointR-CNN】

• 来源：腾讯和香港大学联合发布。
• 内容：提出了一种基于KITTY数据集的新方法，融合平面像素和点云表示，以提高三维目标检测速度。

【Range Adaptation for 3D Object Detection in LiDAR】

• 来源：沃尔沃与杜克大学合作。
• 内容：探讨了在距离增加时，现有三维检测网络性能下降的问题，并提出了一种基于距离的改进方案。

【M3D-RPN: Monocular 3D Region Proposal Network for Object Detection】

• 来源：密歇根州立大学。
• 内容：提出了一种新型单目三维目标检测算法，显著提升了KITTY数据集上的技术水平。

【Vehicle Detection With Automotive Radar Using Deep Learning on Range-Azimuth-Doppler Tensors】

• 来源：美国高通公司。
• 内容：探索了利用雷达信号检测车辆的方法，通过深度学习优化传感器数据处理。

【Joint Monocular 3D Vehicle Detection and Tracking】

• 来源：加州大学伯克利分校。
• 内容：设计了一种端到端神经网络，仅需一个摄像头即可同时实现三维车辆检测与跟踪功能。

【How Do Neural Networks See Depth in Single Images?】

• 来源：荷兰代尔夫特理工大学。
• 内容：分析了单一图像深度估计方法的局限性，指出这些方法可能因相机位置变化导致错误。

【Robust Multi-Modality Multi-Object Tracking】

• 来源：南洋理工大学。
• 内容：开发了一种多模态感知系统，集成激光雷达和摄像头，提升多目标跟踪精度。

感知与规划

【Exploring the Limitations of Behavior Cloning for Autonomous Driving】

• 来源：丰田研究所。
• 内容：评估了模仿驾驶行为作为自动驾驶轨迹规划方法的局限性，并提出了新数据集来评估学习策略。

【Towards Learning Multi-Agent Negotiations via Self-Play】

• 来源：苹果公司。
• 内容：探讨了通过自我博弈来训练多智能体谈判的方法，以增强机器人自主决策能力。

【PIE: A Large-Scale Dataset and Models for Pedestrian Intention Estimation and Trajectory Prediction】

• 来源：约克大学。
• 内容：发布了新的行人意图预测和轨迹预估数据集，并提供了相应的基准模型。

建图与定位

【DAGMapper: Learning to Map by Discovering Lane Topology】

• 来源：Uber ATG。
• 内容：提出了一种自动构建车道拓扑结构的地图生成方法，准确率高达89%。

【GSLAM: A General SLAM Framework and Benchmark】

• 来源：中国东南工业大学。
• 内容：开发了一个通用的SLAM框架和基准，便于比较现有方法并促进新方法的研究。

【LPD-Net: 3D Point Cloud Learning for Large-Scale Place Recognition and Environment Analysis】

• 来源：香港中文大学。
• 内容：提出了基于点云的大规模场所识别算法，可用于自动驾驶汽车的环境分析。

【SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences】

• 来源：德国波恩大学。
• 内容：提供了一套针对KITTY序列点云数据的语义标注数据集，用于地图和感知系统的语义分类。

自动驾驶数据管理

【DBUS: Human Driving Behavior Understanding System】

• 来源：滴滴出行与南加利福尼亚大学。
• 内容：介绍了一个端到端系统，用于处理、索引和查询大规模人类驾驶数据，以便更好地训练自动驾驶系统。

【Large Scale Multimodal Data Capture, Evaluation and Maintenance Framework for Autonomous Driving Datasets】

• 来源：英特尔公司。
• 内容：讨论了自动驾驶数据管理的挑战，并提供了一套解决方案。

【Meta-Sim: Learning to Generate Synthetic Datasets】

• 来源：NVIDIA与多伦多大学。
• 内容：提出了一种基于文本描述生成合成数据集的方法，适用于自动驾驶系统训练和测试。

【Advanced Pedestrian Dataset Augmentation for Autonomous Driving】

• 来源：捷克技术大学。
• 内容：利用生成对抗网络（GAN）生成行人检测数据，以丰富自动驾驶数据集。

如需了解更多信息，欢迎访问ICCV 2019论文列表：链接

如果您有行业新闻线索或希望进行商业合作，请联系：18562613430。