R-TOD：面向自动驾驶且具有最小端到端延迟的实时目标检测器
计算机视觉与模式识别
2020-11-13 v1
摘要
为实现安全的自动驾驶，应透彻分析并最小化实时目标检测系统的端到端延迟。然而，尽管近期开发了具有最小化推理延迟的神经网络，令人惊讶的是，从其物体出现到检测被报告的端到端延迟却极少受到关注。基于此动机，本文旨在提供对端到端延迟更全面的理解，据此给出了精确的最坏与最佳情况延迟预测，并实现了三种优化方法：(i) 按需捕获，(ii) 零松弛流水线，(iii) 无争用流水线。我们的实验结果显示Darknet YOLO (You Only Look Once) v3的端到端延迟降低了76%（从1070 ms降至261 ms），从而展示了利用端到端延迟分析用于自动驾驶的巨大潜力。此外，由于我们仅修改系统架构而未改变神经网络架构本身，我们的方法不带来任何检测精度损失。
引用
@article{arxiv.2011.06372,
title = {R-TOD: Real-Time Object Detector with Minimized End-to-End Delay for Autonomous Driving},
author = {Wonseok Jang and Hansaem Jeong and Kyungtae Kang and Nikil Dutt and Jong-Chan Kim},
journal= {arXiv preprint arXiv:2011.06372},
year = {2020}
}
备注
14 pages, 16 figures. Accepted to the 41st IEEE Real-Time Systems Symposium (RTSS), 2020