MMJun, 2023

自主车辆感知的检测分割卷积神经网络

PDF
TL;DR通过对三种不同的网络体系结构进行实验，我们证明了多任务 V3 对于物体检测和区域分割的性能最佳，可在自动驾驶车辆的嵌入式感知系统中具有实用性。
object detectionsegmentationautonomous vehiclesperception systemneural networks
发现论文，激发创造
  • 使用 SoC FPGA 上的检测分割网络实现自动驾驶车辆的感知系统

    本文通过应用 MultiTaskV3 检测 - 分割网络为基础的感知系统，在 AMD Xilinx Kria KV260 Vision AI 嵌入式平台上进行的适当训练、量化和实现，实现了在单一结构中执行两种功能，并且在物体检测方面实现了高精度。

    Jul, 2023

  • 自动驾驶的实时联合目标检测和语义分割网络

    本论文提出了一种联合多任务网络设计，用于同时学习目标检测和语义分割，以实现低功耗嵌入式 SOC 上的实时性能，并在两个公共数据集（KITTI，Cityscapes）和私人鱼眼相机数据集中评估提出的网络。

    Jan, 2019

  • 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

  • 实时通用多任务的一次全部观察

    自主驾驶的关键要求是高精度、轻量化和实时响应，本文提出了一种自适应、实时和轻量化的多任务模型，能够同时处理目标检测、行驶区域分割和车道检测任务，并且无需特定定制结构或损失函数。该模型在 BDD100k 数据集上取得了竞争性的结果，尤其在可视化输出方面。此外，通过引入真实道路数据集评估了模型在真实场景中的性能，表现出超出竞争对手的优越性能，证明了模型不仅具备竞争性能，而且更加灵活快速。

    Oct, 2023

  • YOLOP: 一次观测全景驾驶感知

    我们提出了一种全景驾驶感知网络（YOLOP），它可以同时执行交通物体检测、可驾驶区域分割和车道检测三个任务，并在嵌入式设备 Jetson TX2 上实现了实时性的高精度表现。

    Aug, 2021

  • 自主驾驶的深度多模态物体检测和语义分割：数据集、方法和挑战

    本文介绍了最近在深度学习领域取得的自主驾驶感知技术。对于实现强大而准确的场景理解，自动驾驶车辆通常配备多种传感器 (例如相机、激光雷达、雷达)，并且可以将多种感知模式融合以利用它们的互补性。然而，网络架构设计方面缺乏通用指导方针，关于 “何时融合” 和 “如何融合” 等问题仍然存在争议。本文系统地总结了方法学和讨论了自主驾驶中深度多模式对象检测和语义分割的挑战。

    Feb, 2019

  • 用于行人检测的深度卷积神经网络

    本篇论文提出一个基于深度学习的行人检测系统，通过分析和优化检测流程的每一步，我们提出了一种优于传统方法的架构，在保持低计算时间情况下实现了接近先进方法的任务准确性，并在 NVIDIA Jetson TK1 上测试了该系统。

    Oct, 2015

  • 自动驾驶中的三维物体检测：综述与新展望

    本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用，包括基于激光雷达和基于相机的方法，并分析了各自的优缺点和潜在的应用场景。

    Jun, 2022

  • 自动驾驶的 3D 物体检测综述

    本文旨在填补 3D 对象检测在自动驾驶中的知识空白，综述了相关领域的传感器、数据集、性能度量以及最新的检测方法，分析了其优劣，并进行了定量比较和案例研究，最后总结了研究成果和未来发展方向。

    Jun, 2021

  • YUVMultiNet：用于自动驾驶的实时 YUV 多任务卷积神经网络

    本文提出了一种多任务卷积神经网络 (CNN) 体系结构，旨在为低功率汽车级 SoC 进行优化，其中编码器在检测和分割两个任务之间共享，介绍了多种优化方法，如直接使用本地 YUV 图像、优化层和特征图以及应用量化等，并重点关注了内存带宽和卷积等数据密集型操作之间的瓶颈问题。最终，我们演示了我们所提出的网络在相应运行时中为检测和分割任务提供的关键性能指标 (KPI)。

    Apr, 2019