本文介紹了TwinLiteNet：一種自動駕駛汽車中可行駛區(qū)域和車道分割的高效輕量級模型。語義分割是自動駕駛中理解周圍環(huán)境的一項常見任務(wù)。可行駛區(qū)域分割和車道檢測對于道路上安全且高效的導(dǎo)航尤為重要。然而，原始的語義分割模型計算代價高昂，并且需要高端硬件，這對于自動駕駛汽車中的嵌入式系統(tǒng)是不可行的。

本文提出了一種用于可行駛區(qū)域和車道線分割的輕量級模型。TwinLiteNet設(shè)計代價低廉，但是可以獲得精確且高效的分割結(jié)果。我們在BDD100K數(shù)據(jù)集上評估了TwinLiteNet，并且將其與現(xiàn)代模型進行比較。

實驗結(jié)果表明，TwinLiteNet的表現(xiàn)與現(xiàn)有方法類似，所需要的計算資源明顯減少。具體而言，TwinLiteNet使用僅40萬個參數(shù)在可行駛區(qū)域分割任務(wù)中獲得91.3%的mIoU得分以及在車道檢測任務(wù)中獲得31.08%的IoU得分，并且在GPU RTX A5000上實現(xiàn)了415FPS幀率。此外，TwinLiteNet可以在計算能力有效的嵌入式設(shè)備上實時地運行，尤其是因為它在Jetson Xavier NX上實現(xiàn)了60FPS幀率，這使其成為自動駕駛汽車的理想解決方案。

主要貢獻

本文的主要貢獻如下：

1）本文提出了一種用于可行駛區(qū)域分割和車道檢測的計算高效框架；

2）本文提出的架構(gòu)基于ESPNet，它是一種可擴展的卷積分割網(wǎng)絡(luò)，其結(jié)合了深度可分離卷積以及雙重注意力網(wǎng)絡(luò)，但是沒有使用單個解碼模塊，而是針對每個任務(wù)利用兩個解碼模塊，類似于YOLOP、YOLOPv2；

3）本文實驗結(jié)果表明，TwinLiteNet在各種圖像分割任務(wù)上通過較少的參數(shù)實現(xiàn)了不錯的性能。

論文圖片和表格

總結(jié)

本文為自動駕駛?cè)蝿?wù)（特別是可行駛區(qū)域分割和車道檢測）引入了一種輕量級且高效的分割模型。本文的TwinLiteNet旨在實現(xiàn)高處理速度，同時在準(zhǔn)確性方面稍作權(quán)衡。本文在BDD100K數(shù)據(jù)集上評估了TwinLiteNet，結(jié)果表明，本文模型在GPUs甚至邊緣設(shè)備上實現(xiàn)了精度和高計算速度之間的良好平衡。今后，我們試圖在各種開源數(shù)據(jù)集上評估TwinLiteNet模型的性能，并且將其應(yīng)用于現(xiàn)實世界場景中。該方法使我們能夠評估其在不同情況下的有效性，并且應(yīng)對實際挑戰(zhàn)。