用于自动驾驶车辆感知的检测-分割卷积神经网络
计算机视觉与模式识别
2023-11-14 v1 图像与视频处理
摘要
目标检测与分割是自动驾驶车辆感知系统的两个核心模块。它们应在降低计算复杂度的同时保持高效率与低延迟。目前最常用的算法基于深度神经网络，其保证了高效率但需要高性能计算平台。对于自动驾驶车辆（如汽车以及无人机），必须使用计算能力受限的嵌入式平台，这使得上述要求难以满足。通过采用合适的架构、表示（降低数值精度、量化、剪枝）以及计算平台，可降低网络的复杂度。本文关注第一个因素——将所谓的检测-分割网络用作感知系统的组件。我们考虑了可行驶区域与道路标线分割，并结合选定目标（行人、交通灯与障碍物）检测的任务。我们在由约500张可行驶区域与车道线图像及250张检测目标图像组成的自定义数据集上，对文献中描述的三种不同架构进行了比较：MultiTask V3、HybridNets与YOLOP。在分析的三种方法中，MultiTask V3表现最佳，在RTX 3060显卡上检测mAP_50达99%、可行驶区域分割MIoU达97%、车道分割MIoU达91%，且达到124 fps。该架构是自动驾驶车辆嵌入式感知系统的良好解决方案。代码见：https://github.com/vision-agh/MMAR_2023。
引用
@article{arxiv.2306.17485,
title = {Detection-segmentation convolutional neural network for autonomous vehicle perception},
author = {Maciej Baczmanski and Robert Synoczek and Mateusz Wasala and Tomasz Kryjak},
journal= {arXiv preprint arXiv:2306.17485},
year = {2023}
}
备注
The paper was accepted for the MMAR 2023 conference (27th International Conference on Methods and Models in Automation and Robotics)