Jul, 2023

Q-YOLOP：面向全景驾驶感知的量化感知 You Only Look Once

PDF
TL;DR通过提出一种高效的量化感知网联驾驶模型（Q- YOLOP）来实现目标检测、可行驶区域分割、车道线分割，其采用高效层聚合网络（ELAN）作为主干，并在 BDD100K 数据集上具有在 [email protected] 为 0.622 的最新性能和分割的 mIoU 为 0.612，同时保持较低的计算和内存要求。
发现论文，激发创造
  • 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

  • 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

  • 自主车辆感知的检测分割卷积神经网络

    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。

    Jun, 2023

  • Q-YOLO：实时目标检测的高效推理

    本研究描述了一种低位量化方法来构建一个高效的单级检测器，称为 Q-YOLO，有利于在资源受限的边缘设备上部署目标检测模型，从而实现减少计算和内存开销的实时检测。

    Jul, 2023

  • REQ-YOLO: 面向 FPGA 目标检测的资源感知，高效量化框架

    本文提出了 REQ-YOLO，一种资源感知的系统化权重量化框架，以达到实时、高效实现对象检测的目的。采用块循环矩阵方法和交替方向乘子法，同时提供详细的硬件实现和设计优化，并呈现实验结果证明该框架可以显著压缩 YOLO 模型，同时引入极小的精度降低。

    Sep, 2019

  • YOLinO++：用于无地图自动潜水的多功能折线单次估计

    基于神经网络，通过一次性检测的方法，研究在自动驾驶中以图像为基础的 1D 结构检测，如车道边界。提出了一种基于中点和锚点定义的车道边界表示方法，能够检测车道中心线、车道边界以及高速公路和城市区域中的标志，实现了多功能检测和分类。

    Feb, 2024

  • YOLO-World：实时开放词汇物体检测

    YOLO-World is an innovative approach that enhances the You Only Look Once (YOLO) series of detectors with open-vocabulary detection capabilities through vision-language modeling, achieving high efficiency and accuracy in detecting a wide range of objects in a zero-shot manner.

    Jan, 2024

  • 一次分割，实时全景分割的探索

    提出了实时全景分割框架 YOSO，通过动态卷积预测掩模，采用特征金字塔汇聚器进行特征图提取，并采用可分离动态解码器进行全景核生成，具有较高的效率和精度，是首个能够与最先进模型相媲美的实时全景分割框架。

    Mar, 2023

  • You Only Look Once: 统一、实时目标检测

    YOLO 是一种新的目标检测方法，使用单个神经网络从完整图像中直接预测边界框和类别概率，具有实时处理速度、误检低和物体的通用表示等优势。

    Jun, 2015

  • 一种基于 YOLO 检测器的高效、与布局无关的自动车牌识别系统

    本文提出了一种基于 YOLO 物体检测器的高效且与布局无关的自动车牌识别系统，实现了车牌检测和布局分类的统一方法，通过后处理规则提高了识别结果的准确性，并使用多样的数据增强技术使该系统在不同条件下鲁棒性强，通过在多个数据集上的实验取得了优异的识别率和帧速率。

    Sep, 2019