边缘赋能的实时铁轨分割
计算机视觉与模式识别
2024-01-23 v1
摘要
准确且快速的铁轨分割可辅助列车自动驾驶，也是对铁轨上固定或移动障碍物进行预警的关键步骤。然而，专为铁轨分割设计的某些现有算法往往难以在资源受限的边缘设备上满足实时性与高效性要求。考虑到这一挑战，我们提出了一种边缘赋能的实时铁轨分割算法，通过优化网络结构和训练后量化模型使其适用于边缘应用。首先，引入 Ghost 卷积以降低主干网络的复杂度，从而以较低成本实现感兴趣区域关键信息的提取。为进一步降低模型复杂度与计算量，提出了一种新的轻量级检测头，以在精度与效率之间取得最佳平衡。随后，引入量化技术将模型的浮点权重和激活值映射为低位宽定点表示，以减少计算需求与内存占用，最终加速模型推理。最后，借鉴 GPU 并行编程原理，通过并行处理加速算法的预处理与后处理阶段。该方法在公开且具有挑战性的 RailSem19 数据集上进行了评估，并在 Jetson Nano 上进行了测试。实验结果表明，我们改进后的算法在输入尺寸为 480x480 时达到了 83.3% 的精度，同时实现了每秒 25 帧的实时推理率，从而有效满足了实时与高效运行的要求。
引用
@article{arxiv.2401.11492,
title = {Edge-Enabled Real-time Railway Track Segmentation},
author = {Chen Chenglin and Wang Fei and Yang Min and Qin Yong and Bai Yun},
journal= {arXiv preprint arXiv:2401.11492},
year = {2024}
}