YOLOP:目标检测、区域分割、车道线检测 同时运行
涛涛CV
共 975字,需浏览 2分钟
·
2021-12-10 05:12
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