#今日论文推荐#YOLOP v2来啦 | YOLOv7结合YOLOP的多任务版本，超越YOLOP以及HybridNets

wwwsxn

已于 2022-08-26 22:41:35 修改

阅读量405

点赞数

分类专栏：深度学习文章标签：深度学习计算机视觉人工智能

于 2022-08-26 22:41:28 首次发布

原文链接：https://www.aminer.cn/research_report/6308d09d7cb68b460f0c9a97

版权

深度学习专栏收录该内容

716 篇文章 30 订阅

订阅专栏

#今日论文推荐#YOLOP v2来啦 | YOLOv7结合YOLOP的多任务版本，超越YOLOP以及HybridNets

在过去的十年中，多任务学习方法在解决全景驾驶感知问题方面取得了不错的成果，同时提供了高精度和高效率的性能。在为计算资源有限的实时实际自动驾驶系统设计网络时，它已成为一种流行的范例。本文提出了一种有效且高效的多任务学习网络，可同时执行交通目标检测、可行驶道路区域分割和车道检测任务。
YOLOP-v2模型在具有挑战性的 BDD100K 数据集上的准确性和速度方面实现了新的最先进 (SOTA) 性能。特别是与之前的 SOTA 模型相比，推理时间减少了一半。

1、简介

尽管计算机视觉和深度学习取得了长足的发展，但基于视觉的任务（如物体检测、分割、车道检测等）在低成本自动驾驶的应用中仍然具有挑战性。最近已经努力建立一个强大的全景驾驶感知系统，这是自动驾驶的关键组成部分之一。

全景驾驶感知系统通过摄像头或激光雷达等常见传感器，帮助自动驾驶车辆全面了解周围环境。基于相机的目标检测和分割任务通常在场景理解的实际使用中因其低成本而受到青睐。目标检测在提供交通障碍物的位置和大小信息方面发挥着重要作用，帮助自动驾驶汽车在行驶阶段做出准确及时的决策。此外，可行驶区域分割和车道段也为路径规划和提高行车安全提供了丰富的信息。

目标检测和分割是计算机视觉领域的两个长期研究课题。有一系列针对目标检测的出色工作，例如 CenterNet、Faster R-CNN 和 YOLO 系列。常见的分割网络常用于可驱动区域分割问题，例如：UNET、SegNet 和 PSPNet。而对于车道检测/分割，需要更强大的网络来提供更好的高层和低层特征融合，从而考虑全局结构上下文来增强分割细节。然而，在实时自动驾驶系统中为每个单独的任务运行单独的模型通常是不切实际的。在这种情况下，多任务学习网络为节省计算成本提供了一种潜在的解决方案，其中网络被设计成编码器-解码器模式，并且编码器被不同的任务有效共享。

在本文中，在对以前的方法进行了深入研究之后，提出了一种有效且高效的多任务学习网络。并在具有挑战性的 BDD100K 数据集上进行了实验。

YOLOP-v2所有3个任务中都取得了最佳性能：目标检测任务的 AP50 为 0.83，可驾驶区域分割任务的 mIOU 为 0.93，车道检测的准确率为 87.3。与Baseline相比，性能得到了大大的提升。此外，将在 NVIDIA TESLA V100 上运行的每秒帧数 (FPS) 提高到 91，这远高于 YOLOP 模型在相同实验设置下的 49FPS 值。它进一步说明模型可以降低计算成本并保证实时预测，同时为其他实验研究的改进留出空间。

这项工作的主要贡献总结如下：