Virat
PulseAugur coverage of Virat — every cluster mentioning Virat across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新方法利用不完美跟踪中的不确定性来预测轨迹
研究人员开发了一种新颖的轨迹预测方法，该方法考虑了现实世界跟踪数据中固有的不确定性。该方法将观测到的状态建模为高斯分布，同时考虑了定位抖动和数据关联模糊性。通过将这些不确定性视为信息信号，该模型可以生成更可靠的概率预测。在Oxford Town Centre和VIRAT等数据集上的实验表明，与传统方法相比，其准确性和预测可靠性得到了提高。
-
MVTrack：从压缩视频中进行超快无外观目标跟踪
研究人员开发了MVTrack，一种直接在压缩视频比特流上运行的新型移动目标跟踪系统，无需进行像素重建。与传统的基于RGB的目标检测器相比，这种方法显著降低了计算成本和延迟。MVTrack结合了用于运动矢量场检测的MVDet和用于运动关联的MVLink，在VIRAT数据集上取得了优于现有方法（如YOLO26n）的性能，同时使用的参数和FLOPs要少得多。
-
BLUE视频压缩保留VLM性能，用于监控分析
一篇新研究论文介绍了一种名为BLUE的视频压缩方法，专为监控系统设计，优先考虑视觉语言模型（VLM）的语义信息。与专注于人类观看的传统编解码器不同，BLUE抑制静态背景元素，同时保留前景活动。在VIRAT和CHAD数据集上的评估表明，BLUE压缩不会降低基于VLM的事件和异常检测性能。此外，BLUE显著增加了跳过帧的比例，估计可将VLM推理调用次数减少53%，并降低总体成本。
-
LLM驱动的框架提升自动驾驶感知能力
研究人员开发了一个名为LM-SCIP的新框架，该框架利用大型语言模型（LLMs）来增强自动驾驶系统的多模态融合。该框架通过动态适应不同的输入质量来应对融合视觉和雷达数据时面临的挑战。LM-SCIP使用LLM作为核心推理引擎，将视觉信息与雷达数据集成，尤其是在视觉输入受损的情况下。在nuScenes和VIRAT数据集上的实验表明，在不同信噪比下，该系统的定位和轨迹预测能力得到了显著提升，证明了其鲁棒性。