TwinLiteNetPlus：面向自动驾驶的实时多任务分割模型

语义分割在自动驾驶中至关重要，尤其在可行驶区域分割与车道分割任务中，对于保障行车安全与实现精准导航具有关键作用。为应对当前最先进（SOTA）模型带来的高计算成本问题，本文提出TwinLiteNetPlus模型，该模型在效率与精度之间实现了良好平衡。TwinLiteNetPlus融合了标准卷积与深度可分离空洞卷积，有效降低模型复杂度的同时保持了较高的分割精度。该模型提供四种不同配置，参数量从稳健的194万参数（TwinLiteNetPlus_{Large}）到超轻量级的3.4万参数（TwinLiteNetPlus_{Nano}）不等。值得注意的是，TwinLiteNetPlus_{Large}在可行驶区域分割任务中达到92.9%的mIoU（平均交并比），在车道分割任务中实现34.2%的IoU，性能显著优于现有SOTA模型，且计算所需浮点运算量（FLOPs）仅为后者的1/11。在多种嵌入式设备上的严格评估表明，TwinLiteNetPlus具备优异的延迟表现与功耗效率，展现出在真实自动驾驶场景中应用的巨大潜力。相关代码已开源，可访问 https://github.com/chequanghuy/TwinLiteNetPlus。