Dec, 2018

DSNet 实时驾驶场景语义分割

PDF
TL;DR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。
semantic segmentationautonomous drivingneural networkefficiencydriving decision-making
发现论文，激发创造
  • 动态视频分割网络

    本文提出了 DVSNet 的动态视频分割网络设计，使用了卷积神经网络和决策网络技术，以提高语义分割效率和降低计算工作量。在 Cityscape 数据集上进行的实验结果表明，该网络最高可以达到 70.4% 的 mIoU。

    Apr, 2018

  • 用于实时准确地对道路场景进行语义分割的深度双分辨率网络

    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

  • 驾驶场景感知网络：实时联合检测、深度估计和语义分割

    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

  • 自动驾驶快速场景理解

    本文提出一种基于 ENet 的实时高效实现，可以同时解决语义场景分割、实例分割和单目深度估计三个自动驾驶相关任务，不会因同时运行多个任务而牺牲准确性。

    Aug, 2017

  • 为实时道路图像语义分割辩护：基于预训练 ImageNet 架构

    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

  • 城市街景的实时高性能语义图像分割

    本文提出了一种用于城市街景的语义分割的高性能深卷积神经网络方法，它实现了精度和速度之间的良好权衡，并展示了在实时速度下使用单个 NVIDIA TITAN X 卡片在具有挑战性的 Cityscapes 和 CamVid 测试数据集上分别实现了 73.6％和 68.0％的 mIoU 精度。

    Mar, 2020

  • 基于激光雷达的全景分割技术研究：动态偏移网络

    本文提出了 Dynamic Shifting Network (DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在 SemanticKITTI 和 nuScenes 数据集上取得了优秀的性能表现。

    Nov, 2020

  • DSDNet：深度结构自驾网络

    本文提出了一种使用单个神经网络执行物体检测、运动预测和运动规划的深度结构自驾网（DSDNet），该网络采用深度结构能量模型考虑演员之间的交互，能够生成社交一致性的多模态未来预测，从而规划出安全操纵计划。实验结果表明，该模型显著优于现有技术。

    Aug, 2020

  • MultiNet: 自主驾驶实时联合语义推理

    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

  • BlitzNet：一种用于场景理解的实时深度网络

    本文介绍了一种名为 BlitzNet 的深度学习架构，它可以在一个前向传递中同时执行物体检测和语义分割，从而使实时计算成为可能。通过实验证明，物体检测和语义分割在准确性方面互相得益。针对 VOC 和 COCO 数据集，在实时系统中，物体检测和分割性能达到了最先进的水平。

    Aug, 2017