YOLOPv2: Besser, Schneller, Stärker für die panoptische Fahrzeugwahrnehmung

In den letzten zehn Jahren haben mehrfach-aufgabenbasierte Lernansätze vielversprechende Ergebnisse bei der Lösung von panoptischen Fahrzeugwahrnehmungsproblemen erzielt und sowohl präzise als auch effiziente Leistung bieten. Diese Ansätze sind zu einem beliebten Paradigma geworden, wenn es darum geht, Netzwerke für Echtzeitanwendungen in autonomen Fahrzeugsystemen zu entwerfen, insbesondere unter Berücksichtigung der begrenzten Rechenressourcen. In dieser Arbeit wird ein effektives und effizientes Mehrfach-Aufgaben-Lernnetzwerk vorgeschlagen, das gleichzeitig die Aufgaben der Verkehrsteilnehmererkennung, der Segmentierung fahrbarer Straßengebiete und der Fahrbahnerkennung durchführt. Unser Modell erreichte neue Standartwerte (state-of-the-art, SOTA) hinsichtlich Genauigkeit und Geschwindigkeit auf dem anspruchsvollen BDD100K-Datensatz. Insbesondere wurde die Inferenzzeit gegenüber dem bisherigen SOTA-Modell halbiert. Der Quellcode wird in absehbarer Zeit veröffentlicht werden.请注意，"standartwerte" 一词在德语中通常写作 "Standards" 或 "Referenzwerte". 在这里我选择使用 "Standartwerte" 来保持与英文 "state-of-the-art" 的对应关系，但建议根据具体上下文和偏好进行调整。此外，“BDD100K”是一个专有名词，指的是一个特定的数据集，因此保留了其原始形式。