营口网站建设单位,微信广告推广平台,百度新闻首页头条,电子方案网站建设方案目标检测和分割是自动驾驶汽车感知系统的两个核心模块。它们应该具有高效率和低延迟，同时降低计算复杂性。目前，最常用的算法是基于深度神经网络的，这保证了高效率，但需要高性能的计算平台。 在自动驾驶汽车的场景下，大多使用的都是计算能力有限的嵌入式平台，这使得难以满… 目标检测和分割是自动驾驶汽车感知系统的两个核心模块。它们应该具有高效率和低延迟，同时降低计算复杂性。目前，最常用的算法是基于深度神经网络的，这保证了高效率，但需要高性能的计算平台。 在自动驾驶汽车的场景下，大多使用的都是计算能力有限的嵌入式平台，这使得难以满足上述要求。但是作者可以通过使用适当的架构、表示（降低数值精度、量化、修剪）和计算平台来降低网络的复杂性。 在本文中，作者关注第一个因素——使用所谓的检测-分割网络作为感知系统的一个组成部分。作者考虑了分割可行驶区域和道路标记的任务，并结合对选定目标（行人、红绿灯和障碍物）的检测。作者比较了文献中描述的3种不同架构的性能：MultiTask V3、HybridNets和YOLOP。 作者在一个自定义数据集上进行了实验，该数据集由大约500张可驾驶区域和车道线标记的图像以及250张检测到的物体的图像组成。在分析的三种方法中，MultiTask V3被证明是最好的，在RTX 3060上以124 fps的速度实现了99%的检测mAP50、97%的可驾驶区域分割MIoU和91%的车道线分割MIoU。 代码：https://github.com/vision-agh/MMAR_2023
