Haodi Zhang

Haodi Zhang

Auto-generated profile, based on publicly available information

Haodi Zhang

STI Team, LITIS Lab, INSA Rouen, Saint-Étienne-du-Rouvray, France

Research Focus & Metrics

Academic Career Length

6Years (2021-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
5 January 2021 in IEEE Access
Verified
Journal Article
Open access
HZHaodi Zhang
Haodi Zhang
DPDanut Pop
Danut Pop
ARAlexandrina Rogozan
Alexandrina Rogozan
ABAbdelaziz Bensrhair
Abdelaziz Bensrhair
Detecting pedestrians at high speed in high resolution (HR) images is important for preventing collisions in autonomous vehicle. The HR images provide more detail information while creating a heavy computational load, resulting in slower detection speed. We find that the pedestrians are usually not present in the upper part of the HR image, due to the camera vertical field of view and the distance between pedestrian and camera. We named this area a non-pedestrian area (NPA). Therefore, we are able to reduce the calculation time while maintaining the detection accuracy by removing NPA from the HR image. According to this concept, we propose a novel pedestrian detection acceleration algorithm called Non-Pedestrian Area Estimation (NPAE). The NPAE algorithm estimates and removes non-pedestrian areas of the image, followed by pedestrian detection of the NPAE output image. Two datasets with three different resolution images are used to test our proposed NPAE algorithm on both GPU and CPU platforms. The RetinaNet is chosen as the reference pedestrian detector. Our algorithm increases the detection speed with 42% on the GPU platform and with 52% speed increase on the CPU platform, for the test images with a resolution of $1920 \times 1080$ pixel. In terms of detection accuracy, NPAE improves by up to 37.94% compared to classical data optimization acceleration methods. The detection accuracy results are well preserved in both platforms.

18 April 2022 in Pattern Recognition Letters
Verified
Journal Article
Closed access
HZHaodi Zhang
Haodi Zhang
ARAlexandrina Rogozan
Alexandrina Rogozan
ABAbdelaziz Bensrhair
Abdelaziz Bensrhair

7 April 2026
Verified
Thesis
Closed access
HZHaodi Zhang
Haodi Zhang
Détection d'objets 3D par fusion multimodale basée sur l'apprentissage profond: La détection d'objets en 3D est un élément clé du module de perception du véhicule autonome. Après la détection, la position spatiale de l'objet est indiquée dans une boîte de délimitation cubique. Les tâches ultérieures du pipeline, telles que la reconnaissance, la segmentation et la prédiction, reposent sur une détection précise. Au cours des cinq dernières années, la détection d'objets en 3D a suscité de plus en plus d'attention. De nombreux algorithmes excellents basés sur l'apprentissage profond ont été proposés et ont permis de réaliser des progrès significatifs en matière de précision de détection. Diverses modalités de données sont disponibles pour la détection d'objets en 3D, l'image et le LiDAR étant les deux modalités les plus couramment adoptées. La modalité LiDAR est préférée par la plupart des détecteurs en raison de la précision de ses informations de profondeur qui délimitent spatialement l'objet. En revanche, la modalité image est limitée par l'ambiguïté des informations de profondeur, d'où une précision insuffisante de la détection d'objets en 3D. Certains travaux pionniers tentent d'exploiter à la fois les informations de profondeur précises et les riches informations sémantiques en fusionnant les deux modalités. Cependant, il n'existe pas encore de paradigme de fusion dont l'efficacité a été largement prouvée. En outre, toutes les méthodes existantes de détection d'objets 3D par fusion reposent sur l'hypothèse de données synchronisées. Plus le nombre de modalités augmente, plus la fréquence de synchronisation diminue, ce qui entraîne un goulot d'étranglement dans l'efficacité de la détection. Cela réduira évidemment la sécurité des véhicules autonomes. Pour répondre aux questions ci-dessus, cette thèse propose les contributions suivantes, résumées en quatre points : 1) La distorsion lors de l'évaluation de la note de précision moyenne en utilisant la méthode d'interpolation à N points est révélée. La distorsion de la précision moyenne qui peut conduire à l'échec de l'évaluation du serveur est complètement analysée. Afin de résoudre le problème de distorsion, nous proposons une méthode d'interpolation à N points améliorée. En modifiant la méthode de calcul de la zone de l'intervalle d'interpolation et l'emplacement du point d'interpolation, la distorsion de la précision moyenne est correctement éliminée. 2) Nous introduisons un modèle d'optimisation d'image unifié pour supprimer les zones redondantes qui partagent les mêmes images de paramètres échantillonnés. Au lieu d'optimiser chaque image, l'algorithme NPAE proposé estime et récolte la zone non piétonne commune pour toutes les images. Par conséquent, l'algorithme NPAE peut réduire la consommation de temps de détection tout en maintenant la précision de détection. 3) Ensuite, nous explorons la méthode de fusion tardive des données multimodales synchrones. Un grand nombre de faux positifs sont observés dans les propositions de détection d'objets 3D basées sur la seule modalité LiDAR. Ces propositions de faux positifs peuvent être classées dans la modalité image. Par conséquent, toutes les propositions sont projetées sur le plan de l'image pour vérification par le classificateur d'image. Ce modèle de fusion multi-modale tardive est appelé vérification cross-modale (CMV). Après le traitement du modèle CMV, les faux positifs sont réduits de 50 %. 4) Enfin, nous découvrons un nouveau scénario de fusion multimodale asynchrone et proposons une solution. Le flux de données asynchrone est largement présent dans les procédures d'échantillonnage de capteurs pour des modalités multiples. L'utilisation complète des données asynchrones permet d'augmenter de manière significative la fréquence des données fournies pour la détection par un véhicule autonome. Dans ce but, nous proposons le détecteur d'objets 3D à fusion multimodale asynchrone (AF3D). Il peut fonctionner à la fois en état synchrone et asynchrone. De plus, AF3D a la capacité de fusionner des données