TwinLiteNetPlus：自律走行のためのリアルタイムマルチタスクセグメンテーションモデル

自律走行において、意味的セグメンテーション（Semantic Segmentation）は、走行可能領域（Drivable Area）および車線（Lane）のセグメンテーションというタスクにおいて特に重要であり、安全な走行とナビゲーションを確保する上で不可欠である。現在の最先端（SOTA）モデルが抱える高い計算コストに対処するため、本論文では効率性と精度の両立を実現可能なTwinLiteNetPlusというモデルを提案する。TwinLiteNetPlusは、標準的な畳み込みと深さ方向分離型の拡張畳み込み（dilated convolutions）を組み合わせることで、計算複雑性を低減しつつも高い精度を維持している。本モデルは、パラメータ数が194万の堅牢な「TwinLiteNetPlus_{Large}」から、34,000パラメータの超軽量型「TwinLiteNetPlus_{Nano}」まで、4種類の構成で提供されている。特に、TwinLiteNetPlus_{Large}は走行可能領域セグメンテーションにおいて92.9％のmIoU（平均交差率）および車線セグメンテーションにおいて34.2％のIoUを達成しており、既存の最先端モデルを上回る優れた性能を発揮している。さらに、計算に必要な浮動小数点演算数（FLOPs）は、それらのモデルの11分の1にまで削減されている。本モデルは、さまざまな組み込み型デバイス上で厳密に評価され、低遅延性と高い電力効率を示しており、実世界における自律走行車両への応用可能性が示唆されている。コードは、https://github.com/chequanghuy/TwinLiteNetPlus にて公開されている。