YOLOP：目标检测、区域分割、车道线检测 同时运行
关注涛涛CV，设置星标，更新不错过
-------------------------------------------
YOLOP框架
贡献
我们提出了一种高效的多任务网络，该网络可以联合处理自动驾驶中的目标检测、可驾驶区域分割和车道检测三个关键任务。不但节省了计算成本，减少了推理时间，还提高了各个任务的性能。我们的工作是第一个在嵌入式设备上实现实时，同时在BDD100K数据集上保持SOTA（最先进的）性能水平。
我们设计了消融实验来验证我们的多任务方案的有效性。证明了这三个任务不需要繁琐的交替优化就可以联合学习。
实验结果
交通目标检测结果：
可行驶区域分割结果：
车道线检测结果:
消融实验 1: 端对端训练 v.s. 分步训练:
消融实验 2: 多任务学习 v.s. 单任务学习:
可视化
交通目标检测结果
可行驶区域分割结果
车道线分割结果
Demo测试
代码：https://github.com/hustvl/YOLOP
文章：https://arxiv.org/abs/2108.11250
-------------------------------------------
笔记：
《智能革命》《人工智能》《AI•未来》《好好赚钱》《韭菜的自我修养》读书笔记
行业：
服务机器人公司，机器视觉公司，自动驾驶公司，ADAS公司总结，
SLAM：
Vslam方案+源码，语义SLAM与深度相机，SLAM和导航避障，视觉SLAM总结
秦学英《三维物体的识别与跟踪》，章国锋《视觉SLAM》，申抒含《基于图像的三维建模》，姜翰青《RGB -D SLAM》记录笔记
总结：
机器视觉：
机器视觉基本概念笔记，记录五，记录四，记录三，记录二，记录一
图像处理：
图像处理基本概念笔记，记录八，记录七，记录六 ，记录五，记录四 ，记录三，记录二 ，记录二，记录一
欢迎支持，点击在看，分享
评论