Q-YOLOP：面向全景驾驶感知的量化感知 You Only Look Once
计算机视觉与模式识别
2023-07-11 v1 人工智能
摘要
本工作中，我们提出一种高效且量化感知的全景驾驶感知模型（Q-YOLOP），用于自动驾驶场景下的目标检测、可行驶区域分割和车道线分割。我们的模型采用高效层聚合网络（ELAN）作为骨干网络，并为各任务设计算子特定头部。我们采用四阶段训练流程，包括在 BDD100K 数据集上预训练、在 BDD100K 与 iVS 数据集上微调、以及在 BDD100K 上进行量化感知训练（QAT）。训练过程中，我们使用了随机透视和马赛克等强数据增强技术，并在 BDD100K 与 iVS 数据集组合上训练模型。两种策略均增强了模型的泛化能力。所提模型以 [email protected] 为 0.622 的目标检测性能和 0.612 的 mIoU 分割性能达到最先进水平（SOTA），同时保持较低的计算与内存需求。
引用
@article{arxiv.2307.04537,
title = {Q-YOLOP: Quantization-aware You Only Look Once for Panoptic Driving Perception},
author = {Chi-Chih Chang and Wei-Cheng Lin and Pei-Shuo Wang and Sheng-Feng Yu and Yu-Chen Lu and Kuan-Cheng Lin and Kai-Chiang Wu},
journal= {arXiv preprint arXiv:2307.04537},
year = {2023}
}