自动驾驶多任务框架 MultiTask V3、HybridNets和YOLOP比较

• 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