近年来，计算机视觉在智能交通系统（ITS）和自动驾驶（AD）中的应用逐渐转向深度神经网络架构。虽然在基准数据集上的性能似乎有所改善，但在研究中还没有充分考虑到许多现实世界中的挑战。本文对计算机视觉在ITS和AD中的应用进行了广泛的调研，并讨论了与数据、模型和复杂城市环境相关的挑战。数据的挑战与训练数据的收集和标记及其与现实世界条件的相关性、数据集固有的偏向、需要处理的大量数据以及隐私问题有关。深度学习（DL）模型对于嵌入式硬件上的实时处理来说通常过于复杂，缺乏可解释性和可推广性，并且难以在真实环境中进行测试。复杂的城市交通环境，光照不规则、遮挡不规则，监控摄像头安装角度多变、积尘、随风摇晃，交通状况高度异质、违章、拥挤场景交互复杂。 遭受这些问题的一些代表性应用是交通流量估计、拥堵检测、自动驾驶感知、车辆交互和用于实际部署的边缘计算。 在优先考虑实际部署的同时，还探索了应对挑战的可能方法。

论文标题：Deep Learning based Computer Vision Methods for Complex Traffic Environments Perception: A Review

论文链接：https://arxiv.org/pdf/2211.05120.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除