本文提出了一种联合分类、检测和语义分割的方法,其中编码器在三个任务之间共享。该方法非常简单,可以端到端训练,在具有挑战性的 KITTI 数据集中表现良好,在道路分割任务中优于现有技术。而且,我们的方法非常高效,执行所有任务只需要不到 100 毫秒。
Dec, 2016
本文提出了一种基于 light-weight general purpose architecture、light-weight upsampling 以及融合多重分辨率的特征来扩大接受域的语义分割方法,在多个数据集上获得显着的优越性能和较高的 MIoU 和帧率。
Mar, 2019
本篇论文提出一种名为 ENet 的新型深度神经网络架构,其最大特点是快速、参数少,适用于对实时性要求较高的像素级语义分割任务,且在 CamVid、Cityscapes 和 SUN 等数据集上测试表明效果相对优于同类型已有网络。
Jun, 2016
本文提出一种名为 DSPNet 的模型,利用共享卷积架构实现在单张图片中同时进行物体检测、深度估计和像素级语义分割,达到了较高的精度和效率,适用于自动驾驶等领域。
Mar, 2018
本文介绍了一种新的实时多任务网络,包括单目三维物体检测、语义分割和密集深度估计,通过引入任务自适应注意力生成器来解决多任务学习中普遍存在的负迁移问题,并利用硬参数共享方法提高效率,能够同时处理多个任务,尤其是三维物体检测,并保持实时处理速度。经过在 Cityscapes-3D 数据集上的严格优化和深入剖析研究,我们的网络始终优于各种基准模型。
Mar, 2024
本文提出了一种强大且高效的深度神经网络驾驶场景语义分割模型 DSNet,通过 ShuffleNet V2 和 ENet 的启发式设计,以及实现的 Driving Importance-weighted Loss 作为考虑驾驶决策的重要因素,等方面提高准确率和实时性。在 Cityscapes 数据集上的实验结果表明 DSNet 比 ENet 的准确率提高了 18.9%,速度提高了 1.1 倍,具有应用于自动驾驶的巨大潜力。
Dec, 2018
自动驾驶汽车的语义分割是理解周围环境的关键技术。研究通过融合编码器 - 解码器和两通道架构,提出了空间助理编码器 - 解码器网络(SANet),并在设计中利用不同分辨率的特征提取和池化模块以优化特征提取和实现语义提取,最终在实时 CamVid 和 Cityscape 数据集上达到竞争性的结果。
Sep, 2023
本文提出了一个实时语义分割基准测试框架,包括特征提取和解码方法的分离设计,采用不同的网络架构和分割方法,在城市场景的 Cityscapes 数据集上进行了实验,并展示了与 SegNet 相比可实现 143 倍 GFLOPS 减少的优势。
研究了在自动驾驶汽车中使用的感知方法,发现 FasterSeg 模型在实时低功耗计算设备上运行速度快,并通过比较第一人称和鸟瞰图的准确性和速度,得出 FasterSeg 模型在两种视角的 mIoU 结果并提出了一种生成合成数据的简单方法,并在目标硬件上比较了两种视角的帧率和精度。
Jul, 2022
提出了一组高效的卷积神经网络骨干架构,通过双分辨率融合和深度上下文聚合金字塔池化模块,实现了在 Cityscapes 和 CamVid 数据集上的优于现有模型的精度和速度的实时语义分割。
Jan, 2021