目标检测系列算法:HybridNets端到端感知网络
据说：性能优于YOLOP。HybridNets: End-to-End Perception Network
论文与源码
论文摘要：端到端网络在多任务处理中变得越来越重要。一个突出的例子是驾驶感知系统在自动驾驶中的重要性日益增加。本文系统地研究了用于多任务处理的端到端感知网络，并提出了几个关键优化以提高准确性。首先，本文提出了基于加权双向特征网络的高效分割头和框/类预测网络。其次，本文提出了为加权双向特征网络中的每个级别自动定制的anchor。第三，本文提出了一种有效的训练损失函数和训练策略来平衡和优化网络。基于这些优化，我们开发了一个端到端的感知网络来执行多任务，包括交通对象检测，可同时进行可行驶区域分割和车道检测，称为 HybridNets，其精度比现有技术更高。特别是，HybridNets 在伯克利 DeepDrive 数据集上实现了 77.3 的平均精度，在 1283 万个参数和 156 亿次浮点运算的情况下，以 31.6 的平均 Intersection Over Union 优于车道检测。此外，它可以实时执行视觉感知任务，因此是解决多任务问题的实用且准确的解决方案。代码可在 60 亿次浮点运算。此外，它可以实时执行视觉感知任务，因此是解决多任务问题的实用且准确的解决方案。代码可在 60 亿次浮点运算。此外，它可以实时执行视觉感知任务，因此是解决多任务问题的实用且准确的解决方案。
论文：https://arxiv.org/abs/2203.09035
源码：https://github.com/datvuthanh/HybridNets#results
论文复现
敬请期待…
参考
https://www.zhihu.com/question/355580586