Jul, 2023

TwinLiteNet：用于自动驾驶汽车中可行驶区域和车道分割的高效轻量级模型

PDF
TL;DR本文提出了一种用于驾驶区域和车道线分割的轻量级模型 ——TwinLiteNet，该模型设计成低成本但能够达到准确和高效的分割结果。我们在 BDD100K 数据集上评估了 TwinLiteNet，并与现代模型进行了比较。实验结果表明，TwinLiteNet 与现有方法表现相似，但需要更少的计算资源。尤其是对于可行驶区域任务，TwinLiteNet 的 mIoU 得分为 91.3%，车道检测任务的 IoU 为 31.08%，仅使用了 40 万个参数，在 GPU RTX A5000 上实现了 415FPS。此外，TwinLiteNet 可以在计算能力有限的嵌入式设备上实时运行，特别是在 Jetson Xavier NX 上可以达到 60FPS，使其成为自动驾驶车辆的理想解决方案。
semantic segmentationdriveable area segmentationlane detectionlightweight modelembedded systems
发现论文，激发创造
  • TwinLiteNetPlus：一种用于实时驾驶区域和车道分割的强大模型

    TwinLiteNetPlus 是一种旨在平衡效率和准确性的模型，通过使用标准和深度可分离扩张卷积来降低计算复杂性并保持高准确性，在解决自动驾驶中关键的语义分割问题（如行车区域分割和车道分割）方面展现出优秀的性能，同时在计算成本方面显著优于现有模型。

    Mar, 2024

  • 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

  • LiteSeg：一种新型轻量级卷积神经网络用于语义分割

    本文介绍了一种适用于语义图像分割的轻型体系结构 LiteSeg , 该体系结构采用了深度可分离卷积技术和新型 Atrous Spatial Pyramid Pooling 模块，同时提高了计算效率和精度。使用 MobileNetV2 作为骨干网络时，LiteSeg 在 Cityscapes 数据集上以 $640 imes 360$ 分辨率，每秒处理 161 帧的速度，实现了 67.81% 的平均交集联合值。

    Dec, 2019

  • DSNet 实时驾驶场景语义分割

    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

  • CENet：面向自动驾驶的简洁高效激光雷达语义分割

    本文介绍了一种名为 CENet 的图像语义分割网络，采用卷积而非 MLP，精选的激活函数和多个辅助分割头来提高特征描述能力和降低计算时间复杂度，使用公开的基准测试 SemanticKITTI 和 SemanticPOSS 进行的实验表明，与现有模型相比，我们的模型在 mIoU 和推理性能方面均表现更好。

    Jul, 2022

  • 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

  • Lite-HDSeg：使用轻量级谐波密集卷积进行 LiDAR 语义分割

    本研究提出了一个新的实时卷积神经网络 ——Lite-HDSeg，用于三维激光雷达点云的智能语义分割，在 SemanticKitti 基准测试中取得了最佳的准确度和计算复杂度平衡。本文提出的方法在机器人和自动驾驶应用中是非常适合的。

    Mar, 2021

  • 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

  • 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

  • LaneSegNet: 自动驾驶车辆的车道段感知地图学习

    通过引入 LaneSegNet 方法，通过生成车道段来获得道路结构的完整表示，该方法能够在三项任务中显著提高性能，包括地图元素检测（+4.8 mAP），中心线感知（+6.9 DET_l）以及车道段感知（+5.6 mAP）。

    Dec, 2023