面向自动驾驶的快速场景理解
计算机视觉与模式识别
2017-08-10 v1 机器人学
摘要
大多数实例感知语义标注方法传统上侧重于准确率。对于自动驾驶等实时应用而言，运行时间和内存占用等其他方面同样重要。受此观察启发，并受到近期使用单一集成架构处理多任务的工作的启发，本文提出了一种基于 ENet 的实时高效实现，可同时解决三个与自动驾驶相关的任务：语义场景分割、实例分割和单目深度估计。我们的方法建立在分支 ENet 架构之上，具有一个共享编码器，但针对三个任务分别使用不同的解码器分支。与单独运行每个任务相比，该方法在 Cityscapes 数据集上可以在 的分辨率下以 21 fps 的速度运行，且不牺牲准确率。
引用
@article{arxiv.1708.02550,
title = {Fast Scene Understanding for Autonomous Driving},
author = {Davy Neven and Bert De Brabandere and Stamatios Georgoulis and Marc Proesmans and Luc Van Gool},
journal= {arXiv preprint arXiv:1708.02550},
year = {2017}
}
备注
Published at "Deep Learning for Vehicle Perception", workshop at the IEEE Symposium on Intelligent Vehicles 2017