近日,世界三大頂級視覺會議之一ICCV(計算機視覺國際大會International Conference on Computer Vision)公開了最新錄用結果。天翼交通和清華大學等單位聯合署名的論文《Degradation-Resistant Unfolding Network for Heterogeneous Image Fusion》被接收。

異構圖像融合(HIF,Heterogeneous Image Fusion)技術旨在通過合并不同傳感器捕獲的圖像互補信息來提高圖像質量。例如夜晚,可見光圖像和紅外圖像融合可以大幅提升車輛、行人等目標檢測精度。該論文引入了一種新穎的抗降解性 HIF模型,并推導了其優化程序。然后,它將優化展開過程合并到提出的DeRUN中進行端到端訓練。為了確保 DeRUN的魯棒性和效率,采用聯合約束策略和輕量級部分權重共享模塊。DeRUN在智能交通領域的RoadScene等多個任務上取得國際領先水平,并且計算和內存成本更低。

一篇被接收的論文,是天翼交通聚力研發的一個縮影。這一年來,天翼交通持續蓄力,多項研究成果受到國際頂級學術會議/期刊認可,達到世界領先水平,并且在實際應用中得到驗證,加速車路云一體化自動駕駛產業的關鍵技術迭代。

2 023 年 6 月, 全世界最大、也是最全面的信號處理及其應用方面的頂級會議——ICASSP在希臘舉行(International Conference on Acoustics, Speech and Signal Processing即國際聲學、語音與信號處理會議)。天翼交通和清華大學聯合發表論文《A Two-branch network for video anomaly detection with spatio-temporal feature learning》。

視頻異常檢測非常具有挑戰性,因為大多數異常都很罕見且不確定,例如城市道路上交通事故的概率很低。常見的弱監督學習方法利用視頻訓練的分類器級別標簽來定位視頻中的異常片段。然而,異常片段往往既包含異常內容,又包含大量不相關的背景行為,增加了檢測難度。本論文提出了一個兩分支網絡來分別獲取全局和每個局部對象的運動信息。這種局部和全局的感知突出了目標的特征。本文進一步提出了一種時空關系網絡,基于注意力機制來建模不同對象的空間關系和不同片段之間的時間相關性。在近似車路協同固定觀測視角的UCF-Crime等公開數據集中,該方法取得了國際領先的性能。

2023年2月 ,天翼交通聯合哈佛大學等單位,在國際著名期刊《Neurocomputing》(最新影響因子6.0),發表了一篇論文《Inducing semantic hierarchy structure in empirical risk minimization with optimal transport measures》。交叉熵損失可以說是深度學習最重要的經驗風險最小化目標分類的判別模型,并在許多應用,如自動駕駛、智能交通等領域取得了顯著成功。盡管交叉熵損失被廣泛采用,但它本質上忽略了類別之間的相關性,可能影響后續決策。例如,將車輛與動物/行人混淆可以導致比不同的車輛(汽車、公共汽車或卡車)錯分更嚴重的后續后果,特別是自動駕駛的后續決策處理。本文能夠按照分層語義風險的先驗,在最佳運輸測量中預先定義地面距離矩陣。使用語義樹結構進行大規模圖像分類,如Stanford Cars等數據集,以即插即用的方式展示了方法優越的性能。

在車路協同目標檢測和分類領域,天翼交通已經成為業內標桿之一;而在產業應用方面,天翼交通圍繞著具有中國特色的車路云一體化發展路徑的“蘇州實踐”也在國內實現領跑。智能交通產業的發展與崛起是一場馬拉松,技術、產品、服務與應用等仍有大量的攻關需求和儲備空間,需要持續進行長期投入,對于天翼交通來說,技術積累的每一步都是未來突破的基石,也是支撐行業構建技術競爭力,推進數字交通、數字城市、數字中國建設的重要力量。

(新媒體責編：wa123)