介绍一种自动驾驶汽车中可行驶区域和车道分割的高效轻量级模型

本文介绍了TwinLiteNet：一种自动驾驶汽车中可行驶区域和车道分割的高效轻量级模型。语义分割是自动驾驶中理解周围环境的一项常见任务。可行驶区域分割和车道检测对于道路上安全且高效的导航尤为重要。然而，原始的语义分割模型计算代价高昂，并且需要高端硬件，这对于自动驾驶汽车中的嵌入式系统是不可行的。

本文提出了一种用于可行驶区域和车道线分割的轻量级模型。TwinLiteNet设计代价低廉，但是可以获得精确且高效的分割结果。我们在BDD100K数据集上评估了TwinLiteNet，并且将其与现代模型进行比较。

实验结果表明，TwinLiteNet的表现与现有方法类似，所需要的计算资源明显减少。具体而言，TwinLiteNet使用仅40万个参数在可行驶区域分割任务中获得91.3%的mIoU得分以及在车道检测任务中获得31.08%的IoU得分，并且在GPU RTX A5000上实现了415FPS帧率。此外，TwinLiteNet可以在计算能力有效的嵌入式设备上实时地运行，尤其是因为它在Jetson Xavier NX上实现了60FPS帧率，这使其成为自动驾驶汽车的理想解决方案。

主要贡献

本文的主要贡献如下：

1）本文提出了一种用于可行驶区域分割和车道检测的计算高效框架；

2）本文提出的架构基于ESPNet，它是一种可扩展的卷积分割网络，其结合了深度可分离卷积以及双重注意力网络，但是没有使用单个解码模块，而是针对每个任务利用两个解码模块，类似于YOLOP、YOLOPv2；

3）本文实验结果表明，TwinLiteNet在各种图像分割任务上通过较少的参数实现了不错的性能。

论文图片和表格

总结

本文为自动驾驶任务（特别是可行驶区域分割和车道检测）引入了一种轻量级且高效的分割模型。本文的TwinLiteNet旨在实现高处理速度，同时在准确性方面稍作权衡。本文在BDD100K数据集上评估了TwinLiteNet，结果表明，本文模型在GPUs甚至边缘设备上实现了精度和高计算速度之间的良好平衡。今后，我们试图在各种开源数据集上评估TwinLiteNet模型的性能，并且将其应用于现实世界场景中。该方法使我们能够评估其在不同情况下的有效性，并且应对实际挑战。