自动驾驶之分割论文、代码合集

2021

YOLOP: You Only Look Once for Panoptic Driving Perception

code: https://paperswithcode.com/paper/yolop-you-only-look-once-for-panoptic-driving#code

摘要： 全视驾驶感知系统是自动驾驶的重要组成部分。一个高精度、实时的感知系统可以帮助车辆在驾驶时做出合理的决策。我们提出了一种全视驾驶感知网络(YOLOP)来同时进行交通目标检测、可驾驶区域分割和车道检测。它由一个用于特征提取的编码器和三个用于处理特定任务的解码器组成。我们的模型在具有挑战性的BDD100K数据集上表现得非常好，在准确性和速度方面，在所有三个任务上都实现了最先进的水平。此外，我们通过烧蚀研究验证了我们的多任务学习模型对联合训练的有效性。据我们所知，这是第一个可以在嵌入式设备Jetson TX2(23 FPS)上同时实时处理这三种视觉感知任务，并保持良好的准确性的工作。

（鸟瞰图）FIERY: Future Instance Prediction in Bird’s-Eye View from Surround Monocular Cameras

code: https://paperswithcode.com/paper/fiery-future-instance-prediction-in-bird-s

摘要：驾驶需要与道路代理人互动，并预测他们未来的行为，以便安全导航。我们提出了一个火焰：未来鸟瞰单眼相机的概率预测模型。我们的模型预测了未来的实例分割和动态代理的运动，它们可以转化为非参数的未来轨迹。我们的方法结合了传统自动驾驶堆栈的感知、传感器融合和预测组件，通过直接从环绕RGB单眼相机输入估计鸟瞰图预测。Fimere学会了仅从相机驾驶数据中建模未来的固有随机性，而不依赖于高清地图，并预测了多模态的未来轨迹。我们表明，我们的模型在NuScenes和Lyft数据集上优于之前的预测基线。

2022

HybridNets: End-to-End Perception Network

code: https://paperswithcode.com/paper/hybridnets-end-to-end-perception-network-1

摘要： 端到端网络在多任务处理中已经变得越来越重要。其中一个突出的例子是驾驶感知系统在自动驾驶中的重要性。本文系统地研究了一种用于多任务处理的端到端感知网络，并提出了几种关键的优化方法来提高精度。首先，提出了基于加权双向特征网络的高效分割头和箱类预测网络。其次，提出了加权双向特征网络中各层的自动定制锚定方法。第三，提出了一种有效的训练损失函数和训练策略来平衡和优化网络。在此基础上，我们开发了一种端到端感知网络来执行多任务处理，包括交通目标检测、可驾驶区域分割和车道检测，称为混合网，实现了比现有技术相比的更好的精度。特别是，混合线在伯克利DeepDrive数据集上达到了77.3的平均平均精度，以1283万参数和156亿浮点操作的平均交集为31.6，优于车道检测。此外，它可以实时执行视觉感知任务，因此是一个实用和准确的多任务问题的解决方案。

Vision-Based Branch Road Detection for Intersection Navigation in Unstructured Environment Using Multi-Task Network

摘要： 自动驾驶汽车需要一种驾驶方法，以减少在非结构化环境中的导航，因为这些数据在这种环境中可能不准确。研究了利用视觉区分交叉口存在的支路并将其应用于交叉口导航的方法。基于模型的检测方法可以识别支路的模式，但对传感器噪声很敏感，难以应用于各种复杂的情况。)因此，本研究提出了一种利用深度学习来检测交叉口支路的方法。)e提出的多任务深度神经网络将支路划分为旋转的边界箱形状，并识别可驾驶区域来考虑箱内的障碍物。对网络的输出进行粗略，得到由一个支路组成的占用网格图，可作为现有不考虑交叉口的运动规划算法的输入。在实际环境下的实验表明，该方法比基于模型的检测方法对支路的检测更准确，且车辆在十字路口安全行驶。