自动驾驶研究论文再现《HybridNets: End-to-End Perception Network》

简介：
本文介绍了HybridNets模型，这是一种端到端的感知网络，旨在解决自动驾驶领域的多任务学习问题，实现了高性能与高效率的统一。 端到端网络在多任务处理中的重要性日益凸显，尤其是在自动驾驶领域内的驾驶感知系统方面。本段落对一个端到端的多任务感知网络进行了系统的研究，并提出了一系列关键优化方法以提高其准确性。 首先，我们提出了基于加权双向特征网络的高效分割头和盒类预测模块；其次，在加权双向特征网络中的每个层级中实现了自动自定义锚点功能；第三，为了平衡与优化整个网络性能，设计了一种有效的训练损失函数及策略。通过这些改进措施，开发出一个能够同时执行交通目标检测、可驾驶区域分割以及车道线识别等多任务的端到端感知模型——HybridNets。 实验结果显示，在Berkeley DeepDrive数据集上，HybridNets在平均精度方面达到了77.3%，优于现有技术，并且其性能指标（如参数量1283万、浮点运算次数为156亿）也较为出色。此外，该模型还能够实现视觉感知任务的实时处理，在解决多任务问题上具有实用性和准确性。